論文の概要: Detecting residues of cosmic events using residual neural network
- arxiv url: http://arxiv.org/abs/2101.00195v1
- Date: Fri, 1 Jan 2021 08:44:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 12:06:27.264735
- Title: Detecting residues of cosmic events using residual neural network
- Title（参考訳）: 残留ニューラルネットワークを用いた宇宙事象の残差検出
- Authors: Hrithika Dodia
- Abstract要約: 残像ネットワークは、画像分類、顔認識、オブジェクト検出などの多くの分野を頑健な構造で変換している。
ディープラーニングネットワークは一度だけ訓練される。
新しいタイプの重力波が検出されると、これはディープラーニングの欠点であることが判明しました。
1次元時系列入力のためのカスタム残存ニューラルネットワークの作成を目指します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection of gravitational waves is considered to be one of the most
magnificent discoveries of the century. Due to the high computational cost of
matched filtering pipeline, there is a hunt for an alternative powerful system.
I present, for the first time, the use of 1D residual neural network for
detection of gravitational waves. Residual networks have transformed many
fields like image classification, face recognition and object detection with
their robust structure. With increase in sensitivity of LIGO detectors we
expect many more sources of gravitational waves in the universe to be detected.
However, deep learning networks are trained only once. When used for
classification task, deep neural networks are trained to predict only a fixed
number of classes. Therefore, when a new type of gravitational wave is to be
detected, this turns out to be a drawback of deep learning. Shallow neural
networks can be used to learn data with simple patterns but fail to give good
results with increase in complexity of data. Remodelling the neural network
with detection of each new type of GW is highly infeasible. In this letter, I
also discuss ways to reduce the time required to adapt to such changes in
detection of gravitational waves for deep learning methods. Primarily, I aim to
create a custom residual neural network for 1-dimensional time series inputs,
which can learn a ton of features from dataset without giving up on increasing
the number of classes or increasing the complexity of data. I use the two class
of binary coalescence signals (Binary Black Hole Merger and Binary Neutron Star
Merger signals) detected by LIGO to check the performance of residual structure
on gravitational waves detection.
- Abstract（参考訳）: 重力波の検出は、この世紀で最も壮大な発見の1つと考えられている。
マッチングフィルタリングパイプラインの計算コストが高いため、代替の強力なシステムを探すことができる。
今回,1次元残留ニューラルネットワークを用いた重力波の検出を初めて行った。
残像ネットワークは、画像分類、顔認識、オブジェクト検出などの多くの分野を頑健な構造で変換している。
LIGO検出器の感度の向上により、宇宙の重力波の源がさらに多く検出されることを期待している。
しかし、ディープラーニングネットワークは一度だけトレーニングされる。
分類タスクに使用する場合、深いニューラルネットワークは一定の数のクラスだけを予測するように訓練される。
そのため、新しいタイプの重力波が検出されると、これは深層学習の欠点となる。
浅いニューラルネットワークは単純なパターンでデータを学ぶのに使えるが、データの複雑さが増すと良い結果が得られない。
新しいタイプのGWの検出でニューラルネットワークをリモデリングすることは、非常に不可能である。
本稿では,深層学習のための重力波検出における変化に対応するために必要な時間を削減する方法についても論じる。
主に、私は1次元時系列入力のためのカスタム残差ニューラルネットワークを作成し、クラスの数を増やしたり、データの複雑さを増大させることなく、データセットから大量の特徴を学習できるようにすることを目標としています。
LIGOにより検出された2種類の2種類の合体信号(Binary Black Hole MergerおよびBinary Neutron Star Merger信号)を用いて重力波検出における残留構造の性能を確認する。
関連論文リスト
- Verified Neural Compressed Sensing [58.98637799432153]
精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。
極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。
ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
論文 参考訳（メタデータ） (2024-05-07T12:20:12Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Morse Neural Networks for Uncertainty Quantification [16.283954793700307]
モースニューラルネットワークは、正規化されていないガウス密度を、ただの離散点ではなく高次元部分多様体のモードを持つように一般化する。
その汎用性のため、モースニューラルネットワークは多くの技術を統合する。
モースニューラルネットワークは、トポロジーにおけるベクトルマシン、カーネルメソッド、モース理論をサポートする接続を持つ。
論文 参考訳（メタデータ） (2023-07-02T21:05:42Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。
これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
論文 参考訳（メタデータ） (2021-08-24T13:25:02Z) - SpecGrav -- Detection of Gravitational Waves using Deep Learning [0.0]
2次元畳み込みニューラルネットワークと雑音に埋め込まれた重力波の分光図を用いて、二元ブラックホールの融合と二元中性子星の融合から重力波を検出する。
ニューラルネットワークのトレーニングフェーズは、2GBのGPUで約19分でした。
論文 参考訳（メタデータ） (2021-07-08T05:06:34Z) - Generalized Approach to Matched Filtering using Neural Networks [4.535489275919893]
我々は,新たな深層学習と従来の技術との関係について重要な観察を行う。
一致するフィルタリングは、特定のニューラルネットワークと正式に等価です。
提案するニューラルネットワークアーキテクチャがマッチングフィルタリングよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-08T17:59:07Z) - Complete parameter inference for GW150914 using deep learning [0.0]
LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。
検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。
本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
論文 参考訳（メタデータ） (2020-08-07T18:00:02Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳（メタデータ） (2020-03-09T08:16:16Z)
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。