Fugu-MT 論文翻訳(概要): On the Efficiency of Various Deep Transfer Learning Models in Glitch Waveform Detection in Gravitational-Wave Data

論文の概要: On the Efficiency of Various Deep Transfer Learning Models in Glitch Waveform Detection in Gravitational-Wave Data

arxiv url: http://arxiv.org/abs/2107.01863v1
Date: Mon, 5 Jul 2021 08:32:58 GMT
ステータス: 処理完了
システム内更新日: 2021-07-06 14:39:15.042861
Title: On the Efficiency of Various Deep Transfer Learning Models in Glitch Waveform Detection in Gravitational-Wave Data
Title（参考訳）: 重力波データにおける格子波形検出における各種深部伝達学習モデルの効率性について
Authors: Reymond Mesuga and Brian James Bayanay
Abstract要約: LIGOは、重力波を検出するために収集されるデータに影響を与える外部ノイズの乱れを引き起こす傾向がある。これらのノイズは、LIGOコミュニティによってグリッチとして一般的に呼ばれる。精度は98.98%、98.35%、97.56%、94.73%である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: LIGO is considered the most sensitive and complicated gravitational experiment ever built. Its main objective is to detect the gravitational wave from the strongest events in the universe by observing if the length of its 4-kilometer arms change by a distance 10,000 times smaller than the diameter of a proton. Due to its sensitivity, LIGO is prone to the disturbance of external noises which affects the data being collected to detect the gravitational wave. These noises are commonly called by the LIGO community as glitches. The objective of this study is to evaluate the effeciency of various deep trasnfer learning models namely VGG19, ResNet50V2, VGG16 and ResNet101 to detect glitch waveform in gravitational wave data. The accuracy achieved by the said models are 98.98%, 98.35%, 97.56% and 94.73% respectively. Even though the models achieved fairly high accuracy, it is observed that all of the model suffered from the lack of data for certain classes which is the main concern found in the experiment
Abstract（参考訳）: LIGOは史上最も敏感で複雑な重力実験だと考えられている。その主な目的は、その4キロメートルの腕の長さが陽子の直径の1万倍の距離で変化するかどうかを観察することで、宇宙で最も強い事象から重力波を検出することである。感度のため、LIGOは重力波を検出するために収集されるデータに影響を与える外部ノイズの乱れを引き起こす。これらのノイズは、LIGOコミュニティによってグリッチとして一般的に呼ばれる。本研究の目的は,vgg19,resnet50v2,vgg16,resnet101など各種深層トラスネーハ学習モデルの適応性を評価し,重力波データ中のグリッチ波形を検出することである。精度は98.98%、98.35%、97.56%、94.73%である。モデルはかなり高い精度を達成したが、実験で見られる主な関心事である特定のクラスのデータ不足により、全てのモデルが苦しんだことが観察された。

関連論文リスト

gWaveNet: Classification of Gravity Waves from Noisy Satellite Data using Custom Kernel Integrated Deep Learning Method [9.600843179393085]
本研究では,衛星画像中の重力波の同定を目的とした新しいカーネル設計を提案する。提案するカーネルは,gWaveNetと呼ばれる深層畳み込みニューラルネットワークにシームレスに統合される。提案モデルでは,ノイズの多い衛星データから重力波を含む画像を検出するのに,特徴工学的手法を使わずに優れた精度を示す。
論文参考訳（メタデータ） (2024-08-26T22:50:59Z)
Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文参考訳（メタデータ） (2024-07-12T18:00:02Z)
Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
論文参考訳（メタデータ） (2024-05-27T13:26:34Z)
Efficient Machine Learning Ensemble Methods for Detecting Gravitational Wave Glitches in LIGO Time Series [0.614609308117547]
本稿では,GW観測所から異なる種類のノイズやパターンを検出するための2つの新しい機械学習アンサンブル手法を提案する。我々は、Advanced Laser Interferometer GW Observatoryによって収集された実世界のデータから、注釈付き時系列からなるデータセット上で、我々のモデルを訓練し、テストする。提案したDeepWaves Ensembleに次いでShallowWaves Ensembleに近づいた。
論文参考訳（メタデータ） (2023-11-02T10:07:30Z)
Investigation of the Robustness of Neural Density Fields [7.67602635520562]
本研究は、トレーニング中のノイズや制約などの外部要因に対する堅牢性の文脈における神経密度場とその相対誤差について検討する。両モデルが多面体およびマスコングラウンドの真理で訓練された場合も同様に機能し、基底の真理が精度のボトルネックではないことを示す。
論文参考訳（メタデータ） (2023-05-31T09:43:49Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
論文参考訳（メタデータ） (2022-10-11T18:00:02Z)
Interpreting a Machine Learning Model for Detecting Gravitational Waves [6.139541666440539]
コンピュータビジョンのために開発された解釈可能性技術は、重力波の探索と探索に使用される機械学習モデルに適用する。本研究は,非ガウスおよび非定常レーザー干渉計重力波観測装置(LIGO)データにおけるブラックホールの融合事象を検出するために訓練された。
論文参考訳（メタデータ） (2022-02-15T13:49:13Z)
Resolving the gravitational redshift within a millimeter atomic sample [94.94540201762686]
アインシュタインの一般相対性理論では、異なる重力ポテンシャルの時計は異なる速度でくつろいでいる。超低温ストロンチウムの1ミリスケール試料中の重力赤方偏移と整合した線形周波数勾配を測定した。
論文参考訳（メタデータ） (2021-09-24T23:58:35Z)
Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文参考訳（メタデータ） (2021-06-23T18:00:05Z)
Gravitational Wave Detection and Information Extraction via Neural Networks [1.0499611180329804]
LIGO(Laser Interferometer Gravitational-Wave Observatory)は、重力波を観測した最初の研究室である。陽子の半径よりもはるかに小さい距離変化を測定するために、例外的な実験的な設計が必要だった。ここでは、重力波イベントを検出し、LIGOデータからリングダウン時間の知識を抽出する、人工ニューラルネットワークの計算手順ベースを示す。
論文参考訳（メタデータ） (2020-03-22T21:24:02Z)

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。