分散音響センシング（DAS）は光ファイバーを通じて大規模なモニタリングを可能にするが、その高次元性と複雑な時空間パターンのため、イベント分類は難しい課題となっている。既存の深層学習手法、すなわち畳み込みニューラルネットワーク、再帰型モデル、そして各種Transformer変種は、長距離依存関係を捉えられないか、あるいは生のDAS行列を非常に高いコストで処理する必要があるかのいずれかであった。この問題に対し、CERI SN - IMT Nord EuropeのMichel Dione氏ら5名の著者は、コンパクトな多領域統計特徴量とゲート付きTransformerネットワークを組み合わせたハイブリッド多分岐Transformer「DAStatFormer」を提案した。本論文は2026年5月22日にarXivへ投稿され、番号は2606.00081、機械学習（cs.LG）に分類され、人工知能（cs.AI）および音響（cs.SD）にも関連する。
手法の中心的な革新は特徴量設計の転換にある。研究チームは生信号を直接入力するのではなく、時間領域、波形領域、スペクトル領域の3つから、各チャネルにつき分散分析（ANOVA）で選別された24個の属性を抽出する。この設計によりデータ規模は桁違いに削減されつつ、判別に有効な情報は保持される。巨大な生のDAS行列を直接扱う場合と比べ、このコンパクトな統計的特徴表現は後段モデルの計算負荷を大幅に軽減する。
アーキテクチャ面では、DAStatFormerは各領域に専用の分岐を備え、各分岐は逐次注意（step-wise attention）とチャネル注意（channel-wise attention）の2種類の機構を持ち、それぞれ時系列上の変化とチャネル間の相関を捉える。3領域の出力は最終的に適応的ゲーティング機構によって融合され、入力に応じて各領域情報の重みを動的に調整できる。この多分岐設計により、統計特徴量の効率性とTransformerのモデリング能力の両方を活用し、複雑なパターンを捉えることが可能となる。
実験結果は本手法の有効性を示している。公開されているΦ-OTDRベンチマークと実環境のDASデータセットにおいて、DAStatFormerは最大99.4%の精度を達成し、実環境ではほぼ完璧な性能を示した。同時に、DASFormerやDeepViTといったモデルと比較して、パラメータ数は大幅に少なく、推論コストも低い。これらの結果は、拡張性のあるリアルタイムDASモニタリングへの適合性を示している。著者らはコードをGitHub（https://github.com/MichelD-git/DAStatFormer）で公開しており、研究コミュニティによる再現とさらなる開発が可能である。
総じてDAStatFormerは、領域統計特徴量と深い注意機構アーキテクチャの融合の可能性を示し、DASイベント認識における精度と効率の新たな均衡点を提供するものであり、大規模かつリアルタイムの展開が求められる光ファイバーセンシング監視システムにとって実用的な意義を持つ。