学习真实之物：多传感器数据中的信号与测量制造物分离及其在天文学中的应用
天体物理仪器与方法
2026-04-14 v1 星系天体物理
机器学习
摘要
收集自物理世界的数据始终是多个来源的组合：来自我们感兴趣物理过程的底层信号，以及来自传感器或仪器的测量依赖制造物的信号。这种次级信号充当了混杂因素，限制了我们提取关于我们所观察现象所潜在物理过程信息的能力。此外，它复杂化了在异构或多仪器设置中的观测组合。我们提出了一种深度学习框架，利用重叠观测、双编码器架构和反事实生成目标来分离这些变化因素。 resulting representations（结果表示）显式地将本征信号与传感器特定的失真和噪声分开，可用于反事实视图生成、参数推断（不受测量失真影响）以及仪器无关的相似性搜索。我们以DESI遗留成像调查（Legacy）和Hyper Suprime-Cam（HSC）调查中的天文学星系图像作为代表性的多仪器设置，展示了我们方法的有效性。该框架为科学和多模态自监督预训练提供了通用方案：从同一物理系统的重叠观测构建训练对， 将传感器或模态特定的效应视为数据增强，并通过反事实生成学习不变表示。
引用
@article{arxiv.2604.09787,
title = {Learning What's Real: Disentangling Signal and Measurement Artifacts in Multi-Sensor Data, with Applications to Astrophysics},
author = {Pablo Mercader-Perez and Carolina Cuesta-Lazaro and Daniel Muthukrishna and Jeroen Audenaert and V. Ashley Villar and David W. Hogg and Marc Huertas-Company and William T. Freeman},
journal= {arXiv preprint arXiv:2604.09787},
year = {2026}
}
备注
Accepted at the 2nd Workshop on Foundation Models for Science at ICLR 2026. 10 pages, 6 figures, plus appendix