論文の概要: Observations Drift, Structures Remain: Structural Pretraining with Time Alignment for Electromagnetic Signals
- arxiv url: http://arxiv.org/abs/2611.15566v1
- Date: Wed, 11 Nov 2026 14:51:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.172288
- Title: Observations Drift, Structures Remain: Structural Pretraining with Time Alignment for Electromagnetic Signals
- Title(参考訳): 電磁気信号の時間アライメントによる構造予測
- Abstract要約: ヘテロジニアスEM信号に対する時間アライメントによる構造事前学習を提案する。
提案手法は,既存のEM事前学習ベースラインに対して,フルスーパービジョンと少数ショット適応を両立させる。
- 参考スコア(独自算出の注目度): 39.35179448683669
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electromagnetic signal modeling is increasingly moving toward self-supervised pretraining on heterogeneous I/Q observations. However, an observed waveform is jointly shaped by signal generation, propagation environments, and acquisition processes, which mix reusable structural regularities with observation-specific variations. Existing methods usually pursue unified pretraining with reconstruction objectives on mixed observations. This heterogeneity creates two key mismatches for reconstruction pretraining: (1) appearance mismatch, induced by propagation-dependent waveform variations; and (2) temporal mismatch, induced by acquisition-dependent sampling coordinates. These mismatches make observation-specific appearances and sampling coordinates easier to reconstruct than stable signal structures, inducing observational shortcuts. We identify this failure mode as observation-biased pretraining. To address this, we propose Structural Pretraining with Time Alignment for heterogeneous EM signals. It mitigates temporal mismatch with RoPE-fs, which maps token positions to sampling-rate-normalized physical-time positions, and reduces reliance on appearance shortcuts by replacing waveform reconstruction with masked prediction of discrete structural units. These units are organized into atomic structural units and emergent structural units that capture variable-length compositional patterns beyond fixed patch boundaries. Across diverse EM benchmarks, our method improves both full-supervision and few-shot adaptation over existing EM pretraining baselines, showing that the learned representations better preserve structural consistency when observations drift in waveform appearance and temporal scale.
- Abstract(参考訳): 電磁信号モデリングは、不均一なI/Q観測に基づいて自己教師付き事前学習に向かってますます進んでいる。
しかし、観測波形は、再利用可能な構造規則性と観測固有のバリエーションを混合する信号生成、伝播環境、取得プロセスによって共同で形成される。
既存の手法は通常、混合観測における再建目標と統合事前訓練を追求する。
この不均一性は,(1)伝搬に依存した波形変化によって誘発される外観ミスマッチ,(2)獲得依存サンプリング座標によって誘発される時間的ミスマッチという,再構成前トレーニングのための2つの重要なミスマッチを生成する。
これらのミスマッチは、観測固有の外観とサンプリング座標を安定した信号構造よりも再構成しやすくし、観測ショートカットを誘導する。
我々は、この障害モードを観察バイアス事前訓練とみなす。
これを解決するために、異種EM信号に対する時間アライメントによる構造的事前学習を提案する。
トークン位置をサンプリングレート正規化物理時間位置にマッピングするRoPE-fsとの時間的ミスマッチを緩和し、波形再構成を離散構造単位のマスク付き予測に置き換えることで、外観ショートカットへの依存を低減する。
これらのユニットは原子構造ユニットと、固定されたパッチ境界を越えて可変長の合成パターンをキャプチャする創発的な構造ユニットに分けられる。
各種EMベンチマークにおいて,既存のEM事前学習ベースラインに対するフルスーパービジョンと少数ショットの適応を改良し,波形の出現や時間スケールでの観測時の構造的整合性をよりよく維持することを示す。
関連論文リスト
- $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting [62.414974731333295]
我々は、スケール固有の構造学習と意味分解を統合するために、$M2Net$という新しいフレームワークを提案する。
M2Net$は、広範な経験的検証において最先端のベースラインを上回っます。
論文 参考訳(メタデータ) (2026-10-17T07:24:57Z) - Robust Ensemble Guidance for Scientific Inverse Problems [100.58137337454754]
Robust Ensemble Guidance (REG) は、アンサンブル予測拡散を用いて観測スケールのバランスを保ち、極端に不一致な影響を制限するために標準化された残差を適応的にクリップする。
REGは3つの観測系で6.2-8.2dBのブラックホール再構成PSNRを増加させ、一致した予算比較でNavier-Stokes再構成誤差を26.4%削減する。
論文 参考訳(メタデータ) (2026-10-04T16:54:37Z) - Unified Geometry-Guided ML-FTLE for Tracking Transient Chaos from Scalar Time Series [0.0]
本稿では,予測軌道の偏差をマクロ的な誘引形態と統合し,突発的な状態変化を追跡する幾何学誘導型機械学習フレームワークを提案する。
この方程式のないフレームワークは、複雑な非定常系の構造遷移を監視するために、高精度でノイズ耐性のある診断を提供する。
論文 参考訳(メタデータ) (2026-06-05T15:22:57Z) - Adaptive Oscillatory-State Alignment for Time Series Forecasting [9.62127716797236]
長期の時系列予測は、繰り返し発生する時間構造を明らかにする帰納的バイアスの恩恵を受ける。
我々は、固定テンプレートマッチングから適応振動状態アライメントへの周期予測を再構成するヒルベルト誘導予測フレームワークAOSNETを提案する。
8つのベンチマークの実験では、高速な推論速度で最先端または高い競争精度を示す。
論文 参考訳(メタデータ) (2026-06-04T10:59:59Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳(メタデータ) (2026-05-25T09:57:46Z) - Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。
本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文 参考訳(メタデータ) (2026-05-24T07:31:55Z) - Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。
モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文 参考訳(メタデータ) (2026-05-16T12:01:04Z) - PIMSM: Physics-Informed Multi-Scale Mamba for Stable Neural Representations under Distribution Shift [16.230225739605316]
科学的時間構造維持の失敗は分布シフトの不安定性に寄与すると主張する。
周波数状態間のスペクトル推定遷移点をマッピングする状態空間アーキテクチャである物理インフォームド・マルチスケールマンバを提案する。
Human Connectome Project fMRIでは、PIMSMは重度の時間的コンテキストトランケーション下での堅牢性と表現安定性を改善している。
論文 参考訳(メタデータ) (2026-05-08T04:58:05Z) - Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning [38.869433924831156]
iTimERはISTS表現学習のための自己教師型フレームワークである。
観測されていないタイムスタンプをノイズ対応トレーニングターゲットに変換し、意味のある再構築信号を可能にする。
iTimERは、ISTS設定下での最先端メソッドを一貫して上回る。
論文 参考訳(メタデータ) (2025-11-10T08:53:10Z)
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。