論文の概要: MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge

• arxiv url: http://arxiv.org/abs/2209.11146v1
• Date: Thu, 22 Sep 2022 16:44:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 14:57:11.407719
• Title: MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge
• Title（参考訳）: MLGWSC-1:初の機械学習重力波探索モックデータチャレンジ
• Authors: Marlin B. Sch\"afer, Ond\v{r}ej Zelenka, Alexander H. Nitz, He Wang, Shichao Wu, Zong-Kuan Guo, Zhoujian Cao, Zhixiang Ren, Paraskevi Nousi, Nikolaos Stergioulas, Panagiotis Iosif, Alexandra E. Koloniari, Anastasios Tefas, Nikolaos Passalis, Francesco Salemi, Gabriele Vedovato, Sergey Klimenko, Tanmaya Mishra, Bernd Br\"ugmann, Elena Cuoco, E. A. Huerta, Chris Messenger, Frank Ohme
• Abstract要約: 第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 110.7678032481059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the results of the first Machine Learning Gravitational-Wave Search Mock Data Challenge (MLGWSC-1). For this challenge, participating groups had to identify gravitational-wave signals from binary black hole mergers of increasing complexity and duration embedded in progressively more realistic noise. The final of the 4 provided datasets contained real noise from the O3a observing run and signals up to a duration of 20 seconds with the inclusion of precession effects and higher order modes. We present the average sensitivity distance and runtime for the 6 entered algorithms derived from 1 month of test data unknown to the participants prior to submission. Of these, 4 are machine learning algorithms. We find that the best machine learning based algorithms are able to achieve up to 95% of the sensitive distance of matched-filtering based production analyses for simulated Gaussian noise at a false-alarm rate (FAR) of one per month. In contrast, for real noise, the leading machine learning search achieved 70%. For higher FARs the differences in sensitive distance shrink to the point where select machine learning submissions outperform traditional search algorithms at FARs $\geq 200$ per month on some datasets. Our results show that current machine learning search algorithms may already be sensitive enough in limited parameter regions to be useful for some production settings. To improve the state-of-the-art, machine learning algorithms need to reduce the false-alarm rates at which they are capable of detecting signals and extend their validity to regions of parameter space where modeled searches are computationally expensive to run. Based on our findings we compile a list of research areas that we believe are the most important to elevate machine learning searches to an invaluable tool in gravitational-wave signal detection.
• Abstract（参考訳）: 第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 4つのデータセットの最終段階では、O3a観測ランからの真のノイズと、プレセッション効果と高次モードを含む20秒までの信号が含まれていた。 提案する6種類の入力アルゴリズムの平均感度距離と実行時間について,参加者が未知の1ヶ月間のテストデータから導出する。 このうち4つは機械学習アルゴリズムである。 最適な機械学習に基づくアルゴリズムは、月に1回の偽アラームレート(FAR)で擬似ガウス雑音に対して、マッチングフィルタリングに基づく生産分析の敏感な距離の95%を最大で達成できることがわかった。 対照的に、実際のノイズに関しては、機械学習の検索で70%を達成した。 高いFARでは、センシティブな距離の違いは、一部のデータセットで月に$\geq 200$という従来の検索アルゴリズムよりも優れた機械学習が提案されるポイントまで縮小する。 この結果から,現在の機械学習検索アルゴリズムは限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。 最先端技術を改善するために、機械学習アルゴリズムは、信号の検出と、その妥当性をモデル化された検索が計算的に高価なパラメータ空間の領域に拡張することのできる、偽アラームレートを低減する必要がある。 我々の発見に基づいて、我々は、重力波信号検出において、機械学習検索を貴重なツールに高めるのに最も重要な研究領域のリストをまとめる。

関連論文リスト

• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Comparative Analysis of XGBoost and Minirocket Algortihms for Human Activity Recognition [0.0]
  本研究では,スマートフォンセンサから収集したデータを用いて,HAR(Human Activity Recognition)領域におけるeXtreme Gradient Boosting(XGBoost)とMiniRocketについて検討した。 XGBoostは、アクティビティ分類において、精度、F1スコア、AUC値が0.99まで到達する。 MiniRocketは精度とF1値が0.94であり、AUC値が0.96である。
  論文  参考訳（メタデータ） (2024-02-28T12:41:06Z)
• A Deep Neural Network Based Reverse Radio Spectrogram Search Algorithm [0.0]
  ラジオスペクトログラムデータに注目するルックアライズな信号を探すために,高速かつモジュール化されたディープラーニングアルゴリズムを提案する。 このアルゴリズムは、元のラジオスペクトログラムデータのみを考慮し、類似した外観の信号を検索する。
  論文  参考訳（メタデータ） (2023-02-24T04:28:46Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Towards Meta-learned Algorithm Selection using Implicit Fidelity Information [13.750624267664156]
  IMFASは、計算コストの低い任意のメタ機能によって容易に豊かになる情報的ランドマークを生産する。 テスト期間中に、ほぼ半分の忠実度シーケンスでSuccessive Halvingを破ることができることを示す。
  論文  参考訳（メタデータ） (2022-06-07T09:14:24Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• Training Strategies for Deep Learning Gravitational-Wave Searches [43.55994393060723]
  我々は、非スピン性二元ブラックホールからの信号に分析を限定する。 トレーニングデータをネットワークに提示するさまざまな戦略を体系的にテストする。 深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
  論文  参考訳（メタデータ） (2021-06-07T16:04:29Z)
• dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
  我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。 これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。 データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
  論文  参考訳（メタデータ） (2020-07-29T19:20:07Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)

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。