論文の概要: Rejecting noise in Baikal-GVD data with neural networks

• arxiv url: http://arxiv.org/abs/2210.04653v1
• Date: Mon, 10 Oct 2022 12:56:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 19:56:02.753489
• Title: Rejecting noise in Baikal-GVD data with neural networks
• Title（参考訳）: ニューラルネットワークを用いたバイカルGVDデータのノイズ除去
• Authors: I. Kharuk, G. Rubtsov, G. Safronov
• Abstract要約: 信号からのノイズヒットを効率的に分離するニューラルネットワークを提案する。 データ分析にニューラルネットワークを用いることの利点について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Baikal-GVD is a large ($\sim$ 1 km$^3$) underwater neutrino telescope installed in the fresh waters of Lake Baikal. The deep lake water environment is pervaded by background light, which produces detectable signals in the Baikal-GVD photosensors. We introduce a neural network for an efficient separation of these noise hits from the signal ones, stemming from the propagation of relativistic particles through the detector. The neural network has a U-net like architecture and employs temporal (causal) structure of events. On Monte-Carlo simulated data, it reaches 99% signal purity (precision) and 98% survival efficiency (recall). The benefits of using neural network for data analysis are discussed, and other possible architectures of neural networks, including graph based, are examined.
• Abstract（参考訳）: Baikal-GVDはバイカル湖の淡水に設置された大型の1 km$^3$の水中ニュートリノ望遠鏡である。 深い湖水環境は背景光によって浸透し、バイカルGVD光センサで検出可能な信号を生成する。 本稿では,これらのノイズを信号から効率的に分離するためのニューラルネットワークを提案する。 ニューラルネットワークはu-netのようなアーキテクチャを持ち、イベントの時間的(causal)構造を採用している。 モンテカルロシミュレーションデータでは、99%の信号純度(精度)と98%の生存効率(リコール)に達する。 データ分析にニューラルネットワークを用いることの利点について論じ,グラフベースを含むニューラルネットワークのアーキテクチャについて考察した。

関連論文リスト

• Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes problem [78.20667552233989]
  我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。 本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
  論文  参考訳（メタデータ） (2022-07-04T14:51:59Z)
• Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
  本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。 本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。 結果は、最先端のベイズ深層学習法と比較される。
  論文  参考訳（メタデータ） (2021-09-27T09:19:53Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Underwater Acoustic Communication Receiver Using Deep Belief Network [18.548303016053847]
  機械学習技術の探求による新しい受信システムの設計--Deep Belief Network (DBN) 提案する受信システムは,ドップラー効果とマルチパス伝搬に影響を及ぼすチャネルの性能が向上し,13.2dbで10～3$bitエラーレート(ber)の性能が向上した。
  論文  参考訳（メタデータ） (2021-02-26T11:18:37Z)
• Robust and fast post-processing of single-shot spin qubit detection events with a neural network [0.0]
  我々は、単発スピン検出イベントの集合を分類するためにニューラルネットワークを訓練する。 その結果,Rabi-oscillationの可視性は7%向上した。
  論文  参考訳（メタデータ） (2020-12-08T19:13:09Z)
• Graph Signal Recovery Using Restricted Boltzmann Machines [11.077860020575084]
  本稿では,制限されたボルツマンマシンのコンテンツアドレス可能なメモリ特性を利用して,専門家システムからグラフ信号を復元するモデルに依存しないパイプラインを提案する。 ディープニューラルネットワークによって学習された表現をデノイズ化することは、通常、データ自体をデノイズ化するよりも効果的であることを示す。
  論文  参考訳（メタデータ） (2020-11-20T18:43:53Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Detection of Gravitational Waves Using Bayesian Neural Networks [0.0]
  重力波観測データ(GW)におけるコンパクト二元合体現象を検出するためのベイズニューラルネットワークの新しいモデルを提案する。 我々のモデルは、LIGO Livingston O2データ中の7つのBBH事象をすべて検出し、GW波形の周期を正確にラベル付けした。 これにより、我々のモデルは、ほぼリアルタイムに検出でき、最先端のHPCを用いてより大規模なデータセットでより深いトレーニングを行う際に、合体現象を予測できる。
  論文  参考訳（メタデータ） (2020-07-08T15:07:08Z)

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。