論文の概要: Interpreting a Machine Learning Model for Detecting Gravitational Waves

• arxiv url: http://arxiv.org/abs/2202.07399v1
• Date: Tue, 15 Feb 2022 13:49:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 15:46:04.379951
• Title: Interpreting a Machine Learning Model for Detecting Gravitational Waves
• Title（参考訳）: 重力波検出のための機械学習モデルの解釈
• Authors: Mohammadtaher Safarzadeh, Asad Khan, E. A. Huerta, Martin Wattenberg
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.139541666440539
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We describe a case study of translational research, applying interpretability techniques developed for computer vision to machine learning models used to search for and find gravitational waves. The models we study are trained to detect black hole merger events in non-Gaussian and non-stationary advanced Laser Interferometer Gravitational-wave Observatory (LIGO) data. We produced visualizations of the response of machine learning models when they process advanced LIGO data that contains real gravitational wave signals, noise anomalies, and pure advanced LIGO noise. Our findings shed light on the responses of individual neurons in these machine learning models. Further analysis suggests that different parts of the network appear to specialize in local versus global features, and that this difference appears to be rooted in the branched architecture of the network as well as noise characteristics of the LIGO detectors. We believe efforts to whiten these "black box" models can suggest future avenues for research and help inform the design of interpretable machine learning models for gravitational wave astrophysics.
• Abstract（参考訳）: 本稿では,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を用いて,重力波の探索と探索に用い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。 我々は、実際の重力波信号、ノイズ異常、純粋な高度なLIGOノイズを含む高度なLIGOデータを処理する際に、機械学習モデルの応答を可視化した。 我々の研究結果は、これらの機械学習モデルにおける個々のニューロンの反応に光を当てた。 さらに分析したところ、ネットワークの異なる部分は局所的特徴とグローバルな特徴に特化しており、この違いはLIGO検出器のノイズ特性と同様に、ネットワークの分岐アーキテクチャに根ざしていることが示唆された。 これらの「ブラックボックス」モデルを白化しようとする取り組みは、今後の研究の道筋を示唆し、重力波天体物理学のための解釈可能な機械学習モデルの設計に役立てることができると信じている。

関連論文リスト

• Mixture-of-Experts Graph Transformers for Interpretable Particle Collision Detection [36.56642608984189]
  本稿では,グラフトランスフォーマーモデルとMixture-of-Expertレイヤを組み合わせることで,高い予測性能を実現する手法を提案する。 我々は、ATLAS実験からシミュレーションイベントのモデルを評価し、希少な超対称性信号イベントの識別に焦点をあてた。 このアプローチは、高エネルギー物理学に適用された機械学習手法における説明可能性の重要性を浮き彫りにする。
  論文  参考訳（メタデータ） (2025-01-06T23:28:19Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• 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)
• Machine Learning for Quantum-Enhanced Gravitational-Wave Observatories [2.7151296467157184]
  我々は、レーザー干渉計重力波観測所の3回目の観測中に、機械学習を用いてスクイーズレベルを予測する。 これらの技術の発展は、重力波検出器における圧縮状態注入の最適化に向けた今後の取り組みの基礎となる。
  論文  参考訳（メタデータ） (2023-05-23T07:47:16Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Machine-Learning Love: classifying the equation of state of neutron stars with Transformers [0.0]
  重力波データ解析におけるAudio Spectrogram Transformer(AST)モデルの適用について検討した。 二元中性子星合体からの吸気重力波信号のシミュレーションデータセットにモデルを適用した。
  論文  参考訳（メタデータ） (2022-10-15T21:32:36Z)
• 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)
• Entity-Conditioned Question Generation for Robust Attention Distribution in Neural Information Retrieval [51.53892300802014]
  教師付きニューラル情報検索モデルでは,通過トークンよりも疎注意パターンを学習することが困難であることを示す。 目的とする新しい合成データ生成手法を用いて、与えられた通路内の全てのエンティティに対して、より均一で堅牢な参加をニューラルIRに教える。
  論文  参考訳（メタデータ） (2022-04-24T22:36:48Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)

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。