論文の概要: Training Strategies for Deep Learning Gravitational-Wave Searches
- arxiv url: http://arxiv.org/abs/2106.03741v1
- Date: Mon, 7 Jun 2021 16:04:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:21:26.983128
- Title: Training Strategies for Deep Learning Gravitational-Wave Searches
- Title（参考訳）: ディープラーニング重力波探索のための学習戦略
- Authors: Marlin B. Sch\"afer (1 and 2), Ond\v{r}ej Zelenka (3 and 4), Alexander
H. Nitz (1 and 2), Frank Ohme (1 and 2), Bernd Br\"ugmann (3 and 4) ((1)
Max-Planck-Institut f\"ur Gravitationsphysik (Albert-Einstein-Institut), (2)
Leibniz Universit\"at Hannover, (3) Friedrich-Schiller-Universit\"at Jena,
(4) Michael Stifel Center Jena)
- Abstract要約: 我々は、非スピン性二元ブラックホールからの信号に分析を限定する。
トレーニングデータをネットワークに提示するさまざまな戦略を体系的にテストする。
深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
- 参考スコア（独自算出の注目度）: 43.55994393060723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compact binary systems emit gravitational radiation which is potentially
detectable by current Earth bound detectors. Extracting these signals from the
instruments' background noise is a complex problem and the computational cost
of most current searches depends on the complexity of the source model. Deep
learning may be capable of finding signals where current algorithms hit
computational limits. Here we restrict our analysis to signals from
non-spinning binary black holes and systematically test different strategies by
which training data is presented to the networks. To assess the impact of the
training strategies, we re-analyze the first published networks and directly
compare them to an equivalent matched-filter search. We find that the deep
learning algorithms can generalize low signal-to-noise ratio (SNR) signals to
high SNR ones but not vice versa. As such, it is not beneficial to provide high
SNR signals during training, and fastest convergence is achieved when low SNR
samples are provided early on. During testing we found that the networks are
sometimes unable to recover any signals when a false alarm probability
$<10^{-3}$ is required. We resolve this restriction by applying a modification
we call unbounded Softmax replacement (USR) after training. With this
alteration we find that the machine learning search retains $\geq 97.5\%$ of
the sensitivity of the matched-filter search down to a false-alarm rate of 1
per month.
- Abstract（参考訳）: 小型のバイナリシステムは、現在の地球境界検出器で検出可能な重力放射を放出する。
これらの信号を楽器の背景雑音から抽出することは複雑な問題であり、現在の検索の計算コストはソースモデルの複雑さに依存する。
ディープラーニングは、現在のアルゴリズムが計算限界に達する信号を見つけることができる。
ここでは、スピンしない二進ブラックホールからの信号に分析を限定し、ネットワークにトレーニングデータを提示する異なる戦略を体系的にテストする。
トレーニング戦略の影響を評価するために、最初の公開ネットワークを再分析し、それらを同等のマッチングフィルタ検索と直接比較する。
深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
そのため、訓練中に高いSNR信号を提供することは有益ではなく、低いSNRサンプルが早期に提供されると、最も速い収束が達成される。
テスト中、偽のアラーム確率が$<10^{-3}$である場合、ネットワークはいかなる信号も回復できないことがあることがわかった。
この制限は、トレーニング後にunbounded Softmax replacement (USR) と呼ぶ修正を適用して解決する。
この変更により、機械学習検索は、マッチングされたフィルタの感度の$\geq 97.5\%$を月1の偽アラームレートまで維持することがわかった。
関連論文リスト
- A Deep Neural Network Based Reverse Radio Spectrogram Search Algorithm [0.0]
ラジオスペクトログラムデータに注目するルックアライズな信号を探すために,高速かつモジュール化されたディープラーニングアルゴリズムを提案する。
このアルゴリズムは、元のラジオスペクトログラムデータのみを考慮し、類似した外観の信号を検索する。
論文 参考訳（メタデータ） (2023-02-24T04:28:46Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - Space-based gravitational wave signal detection and extraction with deep
neural network [13.176946557548042]
宇宙ベースの重力波検出器(GW)は、現在の地上での観測でほぼ不可能に近い音源からの信号を観測することができる。
本稿では,全宇宙GWソースに対して高精度なGW信号検出・抽出手法を提案する。
論文 参考訳（メタデータ） (2022-07-15T11:48:15Z) - DeepSNR: A deep learning foundation for offline gravitational wave
detection [0.0]
本稿では,Deep Learning Signal-to-Noise Ratio(DeepSNR)検出パイプラインを提案する。
DeepSNRの性能は、最初の観測結果から開放されたLIGOデータにおいて、二元ブラックホール融合候補とノイズ源とを識別することによって実証される。
その結果、より広い文脈で重力波や希少信号の科学的発見にDeepSNRが使われる方法が明らかにされた。
論文 参考訳（メタデータ） (2022-07-11T10:18:33Z) - 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) - 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) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
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。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。
信号対雑音比が25未満の信号に対する感度は6因子改善した。
保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文 参考訳（メタデータ） (2020-06-02T10:20:11Z) - Efficient Training of Deep Classifiers for Wireless Source
Identification using Test SNR Estimates [4.44483539967295]
本研究では,SNR(Test Signal to Noise Ratio)推定値が利用可能であれば,無線信号を処理する効率的なディープラーニング学習アルゴリズムについて検討する。
ベンチマークでは、よく知られた2つのデータセットに対するディープラーニングアルゴリズムのテストに、最近の文献に依存しています。
正のオフセットが小さい誤ったテストSNR推定は、負のオフセットを持つ同じ誤差のマグニチュードを持つものよりも訓練に適している。
論文 参考訳（メタデータ） (2019-12-26T16:49:56Z)
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。