論文の概要: Deep learning for gravitational-wave data analysis: A resampling
white-box approach
- arxiv url: http://arxiv.org/abs/2009.04088v1
- Date: Wed, 9 Sep 2020 03:28:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 12:13:57.655375
- Title: Deep learning for gravitational-wave data analysis: A resampling
white-box approach
- Title(参考訳): 重力波データ解析のための深層学習:再サンプリング型ホワイトボックスアプローチ
- Authors: Manuel D. Morales, Javier M. Antelis, Claudia Moreno, Alexander I.
Nesterov
- Abstract要約: 我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
- 参考スコア(独自算出の注目度): 62.997667081978825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we apply Convolutional Neural Networks (CNNs) to detect
gravitational wave (GW) signals of compact binary coalescences, using
single-interferometer data from LIGO detectors. As novel contribution, we
adopted a resampling white-box approach to advance towards a statistical
understanding of uncertainties intrinsic to CNNs in GW data analysis.
Resampling is performed by repeated $k$-fold cross-validation experiments, and
for a white-box approach, behavior of CNNs is mathematically described in
detail. Through a Morlet wavelet transform, strain time series are converted to
time-frequency images, which in turn are reduced before generating input
datasets. Moreover, to reproduce more realistic experimental conditions, we
worked only with data of non-Gaussian noise and hardware injections, removing
freedom to set signal-to-noise ratio (SNR) values in GW templates by hand.
After hyperparameter adjustments, we found that resampling smooths
stochasticity of mini-batch stochastic gradient descend by reducing mean
accuracy perturbations in a factor of $3.6$. CNNs were quite precise to detect
noise but not sensitive enough to recall GW signals, meaning that CNNs are
better for noise reduction than generation of GW triggers. However, applying a
post-analysis, we found that for GW signals of SNR $\geq 21.80$ with H1 data
and SNR $\geq 26.80$ with L1 data, CNNs could remain as tentative alternatives
for detecting GW signals. Besides, with receiving operating characteristic
curves we found that CNNs show much better performances than those of Naive
Bayes and Support Vector Machines models and, with a significance level of
$5\%$, we estimated that predictions of CNNs are significant different from
those of a random classifier. Finally, we elucidated that performance of CNNs
is highly class dependent because of the distribution of probabilistic scores
outputted by the softmax layer.
- Abstract(参考訳): 本研究では、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコリッションの重力波(GW)信号を検出する。
新たな貢献として,gwデータ分析におけるcnn固有の不確かさの統計的理解に向けて,ホワイトボックスアプローチの再サンプリングを適用した。
再サンプリングは、繰り返しk$-foldクロスバリデーション実験によって行われ、ホワイトボックスアプローチでは、cnnの挙動を数学的に詳細に記述する。
モーレットウェーブレット変換により、ストレイン時系列を時間周波数画像に変換し、入力データセットを生成する前に減少させる。
さらに,より現実的な実験条件を再現するために,非ガウジアンノイズとハードウェアインジェクションのデータのみを使用して,gwテンプレートの信号対雑音比(snr)値を手作業で設定する自由を除去した。
ハイパーパラメータ調整を行った結果、平均摂動を3.6ドルと小さくすることで、ミニバッチ確率勾配の確率性を平滑化できることが判明した。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
しかし、分析後、H1データ付きSNR$\geq 21.80$とL1データ付きSNR$\geq 26.80$のGW信号の場合、CNNはGW信号を検出するための仮の代替手段として残ることが判明した。
また, 動作特性曲線を受信することで, cnnはナイーブベイズモデルよりも優れた性能を示し, ベクターマシンモデルをサポートすることが判明し, 有意なレベルが5\%$の場合には, cnnの予測値とランダム分類器の予測値とは大きく異なると推定した。
最後に,ソフトマックス層が出力する確率的スコアの分布から,CNNの性能はクラスに依存していることが分かった。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - Benign Overfitting in Two-Layer ReLU Convolutional Neural Networks for
XOR Data [24.86314525762012]
勾配降下法により訓練されたReLU CNNがベイズ最適精度付近で実現できることを示す。
以上の結果から,CNNは高い相関性のある特徴が存在する場合でも,効率よくXOR問題を学習する能力を有することが明らかとなった。
論文 参考訳(メタデータ) (2023-10-03T11:31:37Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - LSTM and CNN application for core-collapse supernova search in
gravitational wave real data [0.0]
コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の干渉計によって検出される重力波信号を放出することが期待されている。
実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類のための機械学習(ML)の可能性を示す。
論文 参考訳(メタデータ) (2023-01-23T12:12:33Z) - Attention-based Feature Compression for CNN Inference Offloading in Edge
Computing [93.67044879636093]
本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。
エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。
実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
論文 参考訳(メタデータ) (2022-11-24T18:10:01Z) - Distributional loss for convolutional neural network regression and
application to GNSS multi-path estimation [0.0]
本研究では,畳み込みニューラルネットワークを用いて画像から高次特徴表現を抽出する。
本手法の評価と説明のために,GNSS(Global Navigation Satellite System)マルチパス推定に適用した。
その結果, 分散損失を用いたソフトラベリングCNN手法は, 全ての条件下での古典的CNN回帰よりも優れていた。
論文 参考訳(メタデータ) (2022-06-03T09:45:12Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳(メタデータ) (2022-04-11T23:24:03Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - A temporal-to-spatial deep convolutional neural network for
classification of hand movements from multichannel electromyography data [0.14502611532302037]
我々は,マルチチャネルsEMGのための深部CNNにおける初期処理層の設計を提案し,評価する新しい貢献を行う。
本稿では,各sEMGチャネル上で第1層が個別に畳み込みを行い,時間的特徴を抽出する,新しい時間的空間的CNNアーキテクチャを提案する。
我々の新しいTtS CNN設計はデータベース1では66.6%、データベース2では67.8%の精度を実現している。
論文 参考訳(メタデータ) (2020-07-16T09:11:26Z) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳(メタデータ) (2019-03-24T19:42:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。