論文の概要: Training Process of Unsupervised Learning Architecture for Gravity Spy
Dataset
- arxiv url: http://arxiv.org/abs/2208.03623v1
- Date: Sun, 7 Aug 2022 02:51:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 13:04:46.960170
- Title: Training Process of Unsupervised Learning Architecture for Gravity Spy
Dataset
- Title(参考訳): 重力スパイデータセットのための教師なし学習アーキテクチャの学習過程
- 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: 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。
- 参考スコア(独自算出の注目度): 2.8555963243398073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transient noise appearing in the data from gravitational-wave detectors
frequently causes problems, such as instability of the detectors and
overlapping or mimicking gravitational-wave signals. Because transient noise is
considered to be associated with the environment and instrument, its
classification would help to understand its origin and improve the detector's
performance. In a previous study, an architecture for classifying transient
noise using a time-frequency 2D image (spectrogram) is proposed, which uses
unsupervised deep learning combined with variational autoencoder and invariant
information clustering. The proposed unsupervised-learning architecture is
applied to the Gravity Spy dataset, which consists of Advanced Laser
Interferometer Gravitational-Wave Observatory (Advanced LIGO) transient noises
with their associated metadata to discuss the potential for online or offline
data analysis. In this study, focused on the Gravity Spy dataset, the training
process of unsupervised-learning architecture of the previous study is examined
and reported.
- Abstract(参考訳): 重力波検出器のデータに現れる過渡ノイズは、検出器の不安定性や重力波信号の重複や模倣といった問題を引き起こす。
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。
先行研究では,時間周波数2次元画像(スペクトログラム)を用いた過渡ノイズの分類手法を提案し,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。
提案する教師なし学習アーキテクチャは,高度レーザー干渉計重力波観測装置 (advanced ligo) の過渡ノイズと関連するメタデータを併用し,オンラインおよびオフラインのデータ解析の可能性について検討した。
本研究では,重力スパイデータセットに着目し,先行研究の教師なし学習アーキテクチャの学習過程を検証・報告した。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳(メタデータ) (2024-03-11T16:22:41Z) - 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) - Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。
RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。
6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文 参考訳(メタデータ) (2023-11-02T12:47:49Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Denoising Architecture for Unsupervised Anomaly Detection in Time-Series [0.0]
このLSTM-Decoderモデルの補体として、Denoising Architectureを紹介します。
提案アーキテクチャは精度とトレーニング速度の両方を向上し,LSTMオートエンコーダを非教師付き異常検出タスクに対してより効率的にすることを示した。
論文 参考訳(メタデータ) (2022-08-30T15:23:45Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳(メタデータ) (2022-03-29T13:07:53Z) - 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) - Unsupervised Learning Architecture for Classifying the Transient Noise
of Interferometric Gravitational-wave Detectors [2.8555963243398073]
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。
論文 参考訳(メタデータ) (2021-11-19T05:37:06Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。
ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
論文 参考訳(メタデータ) (2021-07-27T09:56:49Z) - Canonical Polyadic Decomposition and Deep Learning for Machine Fault
Detection [0.0]
マシンからあらゆる種類の障害を学ぶのに十分なデータを集めることは不可能である。
健康状態のみのデータを用いてトレーニングされた新しいアルゴリズムを開発し、教師なしの異常検出を行った。
これらのアルゴリズムの開発における重要な問題は、異常検出性能に影響を与える信号のノイズである。
論文 参考訳(メタデータ) (2021-07-20T14:06:50Z)
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。