arXiv cs.AI· Xingyu Pan, Huan Wang, Jinjia Guo, Zhenlin Zhao, Siming Dong, Jixi Lu·· 10 小时前AI 评分31
RamanPFN：面向多样化拉曼应用的物理引导光谱基础框架，实现上下文学习
RamanPFN: A physics-guided spectral foundation framework for in-context learning across diverse Raman applications
AI 导读
RamanPFN 是一个物理引导的光谱基础框架，通过全局成分解混与局部振动子空间编码实现无需参数更新的上下文推理。在 74 个公开拉曼数据集、超 33 万条光谱上，其骨干 RMSE 较 26 种方法降低 13.2%。该优势在 TabPFN-3、TabICLv2 和 Kumo-Tabular 上可泛化，回归误差降低 12.3%-25.7%，多分类 log loss 降低 42.4%-63.5%。
正文 · AI 翻译
摘要：拉曼光谱可在材料科学、分析化学、生物医学和工业过程监测中实现无标记的分子表征。然而，高维光谱的机器学习仍受限于标注数据有限，以及光谱的物理组织方式与特征无关模型之间的不匹配。TabPFN 等表格基础模型可在不更新参数的情况下进行上下文预测，但在宽光谱上，特征子采样虽能保持通道覆盖，却会丢失联合可见性：在五个最宽的任务中，每个通道都被覆盖，但任意一次前向传播中仅有 4.4% 的随机通道对同时出现。我们提出 RamanPFN，一个通用光谱基础框架，通过物理引导的光谱学习实现统一的上下文推理，该框架编码了组分光谱的加性混合与振动谱带的局部性。全局成分解混将分布式的多谱带混合特征分解为共享的非负基，以耦合全光谱范围内协变的峰；局部振动子空间编码则在连续光谱邻域内提取正交模式，以保留峰形、强度波动和峰位移。对可行解混的后验边缘化将两个尺度统一为上下文预测，且无需更新模型。在超过 330,000 条光谱的 74 个公开拉曼数据集上，RamanPFN 在 129 个回归目标上优于涵盖化学计量学、光谱神经网络、深度表格学习器和表格基础模型的 26 种方法，将骨干 RMSE 降低 13.2%。我们在 TabPFN-3、TabICLv2 和 Kumo-Tabular 上证明，这一优势可推广到回归和分类任务，将回归误差降低 12.3%-25.7%，将多类对数损失降低 42.4%-63.5%，从而实现数据高效的定量分析和样本识别。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.02157 [cs.LG] |
| （或本版本使用 arXiv:2608.02157v3 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2608.02157 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Huan Wang [查看邮箱]
[v1]
2026年8月3日星期一 12:37:55 UTC（934 KB）
[v2]
2026年9月30日星期三 15:27:10 UTC（1,291 KB）
[v3]
2026年11月10日星期二 13:34:47 UTC（1,485 KB）
来源：arXiv cs.AI · arxiv.org