OmniSpectra 以 12.2M 参数在八个巡天数据上报告最优光谱表征性能。
资讯摘要
论文指出标准序列模型按 token 序号而非物理坐标编码位置，导致跨仪器光谱学习需破坏性重采样。作者提出 OmniSpectra，一种波长原生基础模型：连续坐标掩码自编码器，将物理坐标映射到对数基，使红移引起的乘性缩放变为均匀加性位移，并在连续旋转位置嵌入中抵消。另用分辨率门控傅里叶解码器抑制隐式神经解码器的谱偏置。论文报告在八个巡天数据上预训练、对比七个基线，以 12.2M 参数取得最优性能。
要点速读
- 论文将坐标错配识别为跨仪器表征学习的结构性限制，提出连续坐标掩码自编码器 OmniSpectra。
- 对数基映射把宇宙学红移的乘性缩放转为加性位移，在连续旋转位置嵌入中抵消。
- 作者报告在八个巡天数据上预训练、对比七个基线，以 12.2M 参数达到最优性能并超过更大模型。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。