論文の概要: COSMIO: A Benchmark for Cross-Survey Modality Imputation
- arxiv url: http://arxiv.org/abs/2611.04139v1
- Date: Tue, 03 Nov 2026 01:30:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 01:41:46.66954
- Title: COSMIO: A Benchmark for Cross-Survey Modality Imputation
- Title(参考訳): COSMIO: クロスサーベイモダリティ計算のためのベンチマーク
- Abstract要約: 大規模な天文学調査では、異質で部分的に観察されるマルチサーベイ学習環境を定義している。
この設定は、ある調査で対象を観察することや、他の調査でその外観を推測する方法という、自然な機械学習問題を引き起こす。
LSST, ユークリッド, ロマンスにまたがって, 前方レンダリングされた共有天体物理シーンから得られた一致観測のベンチマークであるCOSMIOを紹介する。
- 参考スコア(独自算出の注目度): 32.07619756733778
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Large-scale astronomical surveys define a heterogeneous, partially observed multi-survey learning setting: each object is observed by only a subset of surveys, while survey observations differ in resolutions, wavelength coverage, noise characteristics, and footprints. This setting gives rise to a natural machine learning problem: given observations of an object in some surveys, how to infer its appearance in other surveys. We formalize this as the problem of cross-survey modality imputation and introduce COSMIO, a multi-survey benchmark of aligned observations obtained by forward-rendered shared astrophysical scenes across LSST, Euclid, and Roman under survey-specific instrument characteristics. The benchmark enables systematic evaluation of imputation across source-target survey combinations and missing-survey patterns. We evaluate a broad range of machine learning methods for imputation, which reveal a clear domain gap: methods developed for existing imputation settings transfer poorly to the survey setting. We identify rare-event imputation as a central challenge. This regime arises in the early stages of new surveys, when rare but scientifically valuable phenomena may be available only from prior surveys. We use strong gravitational lensing, where light from a background galaxy is gravitationally deflected by a foreground galaxy, as a representative rare-event setting. We evaluate model performance on zero-shot imputation of gravitational lenses and on downstream scientific tasks using the imputed lens observations. On our constructed evaluation set of galaxy-galaxy strong lenses, performance degrades under rare-event distribution shift, and this degradation further propagates to the downstream lens-detection task. Code: https://github.com/fw-ic/COSMIO.
- Abstract(参考訳): 大規模な天文学的な調査では、各オブジェクトは調査のサブセットによってのみ観察されるが、調査の観察は解像度、波長範囲、ノイズ特性、フットプリントが異なる。
この設定は、ある調査で対象を観察することや、他の調査でその外観を推測する方法という、自然な機械学習問題を引き起こす。
我々はこれをクロスサーベイモダリティ計算の問題として定式化し、LSST、ユークリッド、ローマを横断する前方レンダリングされた共有天体物理シーンから得られた複数サーベイ観測のベンチマークであるCOSMIOを導入する。
このベンチマークは、ソース・ターゲット調査の組み合わせと不足サーベイパターンをまたいだインパルスの系統的評価を可能にする。
提案手法は,既存の命令設定のために開発された手法が,調査環境に不適当に移行する,明確な領域ギャップを明らかにする機械学習手法を幅広く評価する。
我々は希少なイリュージョンを中心的課題とみなしている。
この状況は新しい調査の初期段階で発生し、希少ではあるが科学的に価値のある現象は以前の調査からのみ利用できる。
我々は強い重力レンズを使用し、背景銀河からの光は前景銀河によって重力的に偏向される。
重力レンズのゼロショットインパクションと下流の科学的課題に対するインパクションレンズ観測によるモデル性能の評価を行った。
構築した銀河ギャラクシー強度レンズでは, 希少分布シフト下での性能劣化が見られ, この劣化は下流レンズ検出タスクにさらに伝播する。
コード:https://github.com/fw-ic/COSMIO。
関連論文リスト
- Neuromorphic Object Detection: An In-Depth Study and Future Directions [77.83720376086475]
ニューロモルフィックカメラは、高時間分解能と広いダイナミックレンジの視覚ストリームを提供する。
まだ、進捗を評価するための深い理解と標準化されたベンチマークが欠如しています。
問題記述を提示し、利用可能なデータセットをレビューし、評価指標を再検討する。
論文 参考訳(メタデータ) (2026-07-26T09:59:57Z) - Neural Posterior Estimation for Inferring Weak Lensing Shear [3.3301932549351907]
我々は、シミュレーションされたマルチバンド画像を、下層のせん断場上の変動分布にマッピングするために、ディープニューラルネットワークを訓練する。
トレーニングが完了すると、ネットワークはシミュレーション画像に存在するすべての特徴を説明できる。
以上の結果から,NPEは期待されるすべての特徴や成果物をシミュレートできる設定において,実行可能なせん断推定手法であることを示す。
論文 参考訳(メタデータ) (2026-07-10T18:01:20Z) - Hyrax: An Extensible Framework for Rapid ML Experimentation and Unsupervised Discovery in the Era of Rubin, Roman, and Euclid [26.715408970731332]
Hyraxはオープンソースのモジュール型でGPU対応のPythonフレームワークで、天文学における機械学習のライフサイクルを完全にサポートする。
実測データに対する5つの代表的な応用を通して,Hiraxの汎用性を実証する。
論文 参考訳(メタデータ) (2026-05-18T18:00:06Z) - Can AI Dream of Unseen Galaxies? Conditional Diffusion Model for Galaxy Morphology Augmentation [4.3933321767775135]
本研究では,機械学習データを拡張するために,現実的な銀河画像を合成するための条件拡散モデルを提案する。
本研究では,本モデルが特定の形態的特徴条件に密着した多彩な高忠実度銀河画像を生成することを示す。
このモデルにより、生成外挿により、よく注釈付けされたデータを未知の領域に投影し、希少なオブジェクト検出を進めることができる。
論文 参考訳(メタデータ) (2025-06-19T11:44:09Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-06-05T13:40:07Z) - Towards Spatial Equilibrium Object Detection [88.9747319572368]
本稿では,現代物体検出器の空間的不平衡問題について考察する。
本稿では,ゾーンにおける検出性能の測定により,この問題の定量化を提案する。
これは、より一般化された測度を設計する動機となり、空間平衡精度と呼ばれる。
論文 参考訳(メタデータ) (2023-01-14T17:33:26Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳(メタデータ) (2022-11-01T18:07:21Z) - ULISSE: A Tool for One-shot Sky Exploration and its Application to
Active Galactic Nuclei Detection [1.3681174239726606]
ULISSEは、同じ形態的および光度特性を共有する物体を識別する新しいディープラーニングツールである。
実験により、ULISSEは、ホスト銀河の形態、色、および中心核源の存在から、AGN候補を特定できることが示された。
論文 参考訳(メタデータ) (2022-08-23T14:05:30Z) - A Unified Survey on Anomaly, Novelty, Open-Set, and Out-of-Distribution
Detection: Solutions and Future Challenges [28.104112546546936]
機械学習モデルは、トレーニング分布から分岐したサンプルに遭遇することが多い。
類似した共有概念にもかかわらず、アウト・オブ・ディストリビューション、オープン・セット、異常検出は独立して研究されている。
本調査は,各分野における多数の卓越した作品について,クロスドメインかつ包括的レビューを行うことを目的としている。
論文 参考訳(メタデータ) (2021-10-26T22:05:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。