論文の概要: Unsupervised Learning Architecture for Classifying the Transient Noise of Interferometric Gravitational-wave Detectors

• arxiv url: http://arxiv.org/abs/2111.10053v2
• Date: Wed, 15 Jun 2022 10:37:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 12:11:23.975789
• Title: Unsupervised Learning Architecture for Classifying the Transient Noise of Interferometric Gravitational-wave Detectors
• Title（参考訳）: 干渉型重力波検出器の過渡ノイズ分類のための教師なし学習アーキテクチャ
• Authors: Yusuke Sakai, Yousuke Itoh, Piljong Jung, Keiko Kokeyama, Chihiro Kozakai, Katsuko T. Nakahira, Shoichi Oshino, Yutaka Shikano, Hirotaka Takahashi, Takashi Uchiyama, Gen Ueshima, Tatsuki Washimi, Takahiro Yamamoto, Takaaki Yokozawa
• Abstract要約: 非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。 過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。 本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 2.8555963243398073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the data obtained by laser interferometric gravitational wave detectors, transient noise with non-stationary and non-Gaussian features occurs at a high rate. This often results in problems such as detector instability and the hiding and/or imitation of gravitational-wave signals. This transient noise has various characteristics in the time--frequency representation, which is considered to be associated with environmental and instrumental origins. Classification of transient noise can offer clues for exploring its origin and improving the performance of the detector. One approach for accomplishing this is supervised learning. However, in general, supervised learning requires annotation of the training data, and there are issues with ensuring objectivity in the classification and its corresponding new classes. By contrast, unsupervised learning can reduce the annotation work for the training data and ensure objectivity in the classification and its corresponding new classes. In this study, we propose an unsupervised learning architecture for the classification of transient noise that combines a variational autoencoder and invariant information clustering. To evaluate the effectiveness of the proposed architecture, we used the dataset (time--frequency two-dimensional spectrogram images and labels) of the Laser Interferometer Gravitational-wave Observatory (LIGO) first observation run prepared by the Gravity Spy project. The classes provided by our proposed unsupervised learning architecture were consistent with the labels annotated by the Gravity Spy project, which manifests the potential for the existence of unrevealed classes.
• Abstract（参考訳）: レーザー干渉型重力波検出器によって得られたデータでは、非定常および非ガウス的特徴を持つ過渡ノイズが高速に発生する。 これはしばしば検出器不安定性や重力波信号の隠蔽や模倣といった問題を引き起こす。 This transient noise has various characteristics in the time--frequency representation, which is considered to be associated with environmental and instrumental origins. Classification of transient noise can offer clues for exploring its origin and improving the performance of the detector. One approach for accomplishing this is supervised learning. However, in general, supervised learning requires annotation of the training data, and there are issues with ensuring objectivity in the classification and its corresponding new classes. By contrast, unsupervised learning can reduce the annotation work for the training data and ensure objectivity in the classification and its corresponding new classes. In this study, we propose an unsupervised learning architecture for the classification of transient noise that combines a variational autoencoder and invariant information clustering. To evaluate the effectiveness of the proposed architecture, we used the dataset (time--frequency two-dimensional spectrogram images and labels) of the Laser Interferometer Gravitational-wave Observatory (LIGO) first observation run prepared by the Gravity Spy project. 提案した教師なし学習アーキテクチャが提供するクラスは,Gravity Spyプロジェクトによって注釈付けされたラベルと一致しており,未発見のクラスの存在の可能性を示している。

関連論文リスト

• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• Unsupervised Novelty Detection Methods Benchmarking with Wavelet Decomposition [0.22369578015657962]
  新規性検出のための教師なし機械学習アルゴリズムを比較する。 新しいデータセットは、特定の周波数で振動するアクチュエータから収集され、アルゴリズムをベンチマークし、フレームワークを評価する。 本研究は,実世界の新規性検出アプリケーションにおける教師なし学習技術の適応性と堅牢性に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2024-09-11T09:31:28Z)
• Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches [12.653249139353608]
  クロステンポラル・スペクトログラム・オートエンコーダ (CTSAE) は、重力波グリッチの次元減少とクラスタリングの先駆的な方法である。 メインチャネルのGravitySpy O3データセットをトレーニングし,評価し,クラスタリングタスクにおける優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-04-23T22:54:51Z)
• Robust Tiny Object Detection in Aerial Images amidst Label Noise [50.257696872021164]
  本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。 本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。 本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-01-16T02:14:33Z)
• Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
  時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。 提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
  論文  参考訳（メタデータ） (2023-07-25T19:47:26Z)
• Training Process of Unsupervised Learning Architecture for Gravity Spy Dataset [2.8555963243398073]
  重力波検出器のデータに現れる過渡ノイズは、しばしば問題を引き起こす。 過渡ノイズは環境や機器と関連していると考えられているため、その分類は、その起源を理解し、検出器の性能を向上させるのに役立つだろう。 前報では、教師なしディープラーニングと変分オートエンコーダと不変情報クラスタリングを組み合わせた、時間周波数2次元画像(分光図)を用いた過渡雑音の分類アーキテクチャを提案する。 先進レーザ干渉計重力波観測装置(Advanced Laser Interferometer Gravitational-Wave Observatory)からなる重力スピーデータセットに,教師なし学習アーキテクチャを適用した。
  論文  参考訳（メタデータ） (2022-08-07T02:51:36Z)
• Architectural Optimization and Feature Learning for High-Dimensional Time Series Datasets [0.7388859384645262]
  重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。 従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
  論文  参考訳（メタデータ） (2022-02-27T23:41:23Z)
• On the Frequency Bias of Generative Models [61.60834513380388]
  我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。 既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。 以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2021-11-03T18:12:11Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Noisy Labels for Weakly Supervised Gamma Hadron Classification [9.249443355045967]
  我々は、実望遠鏡で記録されたラベルなしデータのみを使用するノイズラベルアプローチを用いて、ガンマハドロン分類を解決することを提案する。 ノイズラベルにのみ訓練されているにもかかわらず,検出の重要度に基づくモデルが最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-08-30T17:38:20Z)
• Proposal Learning for Semi-Supervised Object Detection [76.83284279733722]
  地上の真理ラベルが利用できないため、ラベルのないデータで物体検出器を訓練するのは簡単ではない。 ラベル付きデータとラベルなしデータの両方から提案特徴と予測を学習するための提案学習手法を提案する。
  論文  参考訳（メタデータ） (2020-01-15T00:06:59Z)

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。