論文の概要: Detecting and Diagnosing Terrestrial Gravitational-Wave Mimics Through
Feature Learning
- arxiv url: http://arxiv.org/abs/2203.05086v1
- Date: Wed, 9 Mar 2022 23:39:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-11 15:30:29.947490
- Title: Detecting and Diagnosing Terrestrial Gravitational-Wave Mimics Through
Feature Learning
- Title(参考訳): 特徴学習による地上重力波模倣の検出と診断
- Authors: Robert E. Colgan, Zsuzsa M\'arka, Jingkai Yan, Imre Bartos, John N.
Wright, and Szabolcs M\'arka
- Abstract要約: 本稿では,超複雑系の突発的過渡異常を検知し,特徴付ける手法の実証について述べる。
重力波の発見を制限する問題の1つは、地球起源のノイズアーティファクトである。
我々は,高度に解釈可能な畳み込み分類器が,補助検出器データから過渡的異常を自動的に検出する方法を示す。
- 参考スコア(独自算出の注目度): 0.7388859384645262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As engineered systems grow in complexity, there is an increasing need for
automatic methods that can detect, diagnose, and even correct transient
anomalies that inevitably arise and can be difficult or impossible to diagnose
and fix manually. Among the most sensitive and complex systems of our
civilization are the detectors that search for incredibly small variations in
distance caused by gravitational waves -- phenomena originally predicted by
Albert Einstein to emerge and propagate through the universe as the result of
collisions between black holes and other massive objects in deep space. The
extreme complexity and precision of such detectors causes them to be subject to
transient noise issues that can significantly limit their sensitivity and
effectiveness.
In this work, we present a demonstration of a method that can detect and
characterize emergent transient anomalies of such massively complex systems. We
illustrate the performance, precision, and adaptability of the automated
solution via one of the prevalent issues limiting gravitational-wave
discoveries: noise artifacts of terrestrial origin that contaminate
gravitational wave observatories' highly sensitive measurements and can obscure
or even mimic the faint astrophysical signals for which they are listening.
Specifically, we demonstrate how a highly interpretable convolutional
classifier can automatically learn to detect transient anomalies from auxiliary
detector data without needing to observe the anomalies themselves. We also
illustrate several other useful features of the model, including how it
performs automatic variable selection to reduce tens of thousands of auxiliary
data channels to only a few relevant ones; how it identifies behavioral
signatures predictive of anomalies in those channels; and how it can be used to
investigate individual anomalies and the channels associated with them.
- Abstract(参考訳): 複雑化するにつれて、必然的に発生し、手動で診断や修正が困難または不可能である過渡的異常を検出、診断、修正できる自動的な方法の必要性が高まっている。
我々の文明で最も敏感で複雑なシステムの中には、重力波によって引き起こされる距離の驚くほど小さな変化を探索する検出器がある。
このような検出器の極端な複雑さと精度は、その感度と有効性を著しく制限できる過渡的なノイズ問題に直面する。
本研究では,このような複雑系の突発的過渡異常を検知し,特徴付ける手法の実証を行う。
重力波観測装置の高感度測定を汚染し、彼らが聴いているかすかな天体物理信号の曖昧さや模倣を行う地球起源のノイズアーティファクト。
具体的には、高度に解釈可能な畳み込み分類器が、異常自体を観察することなく、補助検出器データから過渡的異常を自動的に検出する方法を実証する。
モデルの他の有用な機能として,数万の補助データチャネルを少数の関連チャネルに削減するための自動変数選択の実行方法,それらのチャネルにおける異常の予測に対する行動シグネチャの識別方法,個々の異常やそれに関連するチャネルを調査する手段としての利用方法などが紹介されている。
関連論文リスト
- Machine learning-driven Anomaly Detection and Forecasting for Euclid Space Telescope Operations [0.0]
最先端の宇宙科学ミッションは、ますます自動化に依存している。
ユークリッド宇宙望遠鏡は2024年2月以来の探査段階にあり、このシフトを実証している。
我々はXGBoostモデルを用いて、過去の値に基づいて温度を予測し、異常を予測から逸脱として検出する。
論文 参考訳(メタデータ) (2024-11-08T14:31:50Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳(メタデータ) (2023-12-22T15:04:20Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。
時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。
本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文 参考訳(メタデータ) (2022-11-09T22:40:22Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Smart Meter Data Anomaly Detection using Variational Recurrent
Autoencoders with Attention [0.0]
本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。
スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
論文 参考訳(メタデータ) (2022-06-08T19:39:51Z) - Anomaly Detection for Multivariate Time Series on Large-scale Fluid
Handling Plant Using Two-stage Autoencoder [1.911678487931003]
本稿では,動的成分を有する大規模流体処理プラントにおける時系列データの異常検出に着目する。
このような植物に適した異常検出法として2段階自動エンコーダ(TSAE)を導入する。
論文 参考訳(メタデータ) (2022-05-20T01:41:39Z) - Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。
我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。
本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
論文 参考訳(メタデータ) (2021-06-13T09:07:30Z) - A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。
本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。
調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
論文 参考訳(メタデータ) (2021-05-28T13:24:40Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。