跳到正文
arXiv cs.AI· Song Young Oh, Nesar Ramachandra, Bin Xia, Ian Foster, Kyle Chard·· 10 小时前AI 评分20

多目标检索如何为异构科学模态搜索帕累托前沿

Searching the Pareto Front: Multi-Objective Retrieval for Heterogeneous Scientific Modalities

AI 导读

研究对比多模态基础模型与独立训练嵌入经帕累托最优多目标优化融合的晚期融合方案,在星系检索任务上评估恒星形成历史、光谱及两台望远镜多波段观测等异构模态。该方法保留了模态特有的距离结构,可让科学家查看哪些物理信号驱动相似性;在六项测量属性上,其最近邻平均比 FM 嵌入空间 kNN 检索结果接近查询 8%(0.128 对 0.139)。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:在宇宙学中,巡天覆盖不同的天区和波长范围,导致观测数据集之间的模态覆盖不均衡。这种异质性可以通过两种方式解决:一是多模态基础模型(FM),其学习共享嵌入空间;二是分别学习模态嵌入,再通过后期融合进行组合。我们研究后者能否为基于 FM 的科学检索提供一种自适应替代方案。我们在一个星系检索任务上评估该方法,该任务涵盖多种模态——恒星形成历史、发射光谱以及来自两台望远镜的多波段观测——并将 FM 基线与此方法进行比较,后者通过基于帕累托最优的多目标优化对分别训练的嵌入进行融合。我们发现,FM 基线实现了较强的嵌入空间邻近性,但我们的方法保留了模态特定的距离结构,使科学家能够检查哪些物理信号驱动了相似性。我们的方法在原始数据空间中也实现了更高的保真度:在六项测量属性上,其最近邻平均比 FM 嵌入空间中 kNN 检索到的结果近 8%(分布范围 0.128 对 0.139)。这些结果表明,多目标检索能够发现单目标搜索可能忽略的天体物理上连贯的候选对象。
主题: 人工智能(cs.AI);天体物理学仪器与方法(astro-ph.IM)
引用为: arXiv:2611.23639 [cs.AI]
  (或 arXiv:2611.23639v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.23639

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Bin Xia [查看电子邮件]
[v1] 2026年11月18日星期三 00:03:22 UTC(2,793 KB)

来源:arXiv cs.AI · arxiv.org