論文の概要: Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams
- arxiv url: http://arxiv.org/abs/2303.13917v1
- Date: Fri, 24 Mar 2023 11:12:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 14:59:47.376005
- Title: Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams
- Title(参考訳): 重力波データストリームにおけるグリッチの分類のための畳み込みニューラルネットワーク
- Authors: Tiago S. Fernandes and Samuel J. Vieira and Antonio Onofre and Juan
Calder\'on Bustillo and Alejandro Torres-Forn\'e and Jos\'e A. Font
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 52.77024349608834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the use of Convolutional Neural Networks (including the modern
ConvNeXt network family) to classify transient noise signals (i.e.~glitches)
and gravitational waves in data from the Advanced LIGO detectors. First, we use
models with a supervised learning approach, both trained from scratch using the
Gravity Spy dataset and employing transfer learning by fine-tuning pre-trained
models in this dataset. Second, we also explore a self-supervised approach,
pre-training models with automatically generated pseudo-labels. Our findings
are very close to existing results for the same dataset, reaching values for
the F1 score of 97.18% (94.15%) for the best supervised (self-supervised)
model. We further test the models using actual gravitational-wave signals from
LIGO-Virgo's O3 run. Although trained using data from previous runs (O1 and
O2), the models show good performance, in particular when using transfer
learning. We find that transfer learning improves the scores without the need
for any training on real signals apart from the less than 50 chirp examples
from hardware injections present in the Gravity Spy dataset. This motivates the
use of transfer learning not only for glitch classification but also for signal
classification.
- Abstract(参考訳): 本稿では,最新のConvNeXtネットワークファミリを含む畳み込みニューラルネットワークを用いて,高度LIGO検出器のデータ中の過渡的雑音信号(グリッチ)と重力波を分類する。
まず、Gravity Spyデータセットを使用してゼロからトレーニングされたモデルと、このデータセットでトレーニング済みモデルを微調整して移行学習するモデルを使用する。
第2に、自動生成擬似ラベルを用いた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。
我々の結果は、同じデータセットの既存の結果に非常に近いものであり、最高の教師付き(自己監督)モデルに対して、F1スコアの97.18%(94.15%)に達した。
さらに、LIGO-VirgoのO3ランの実際の重力波信号を用いてモデルをテストする。
以前の実行(o1とo2)のデータを使用してトレーニングされるが、特に転送学習を使用する場合、モデルのパフォーマンスは良好である。
Gravity Spyデータセットにあるハードウェアインジェクションの50チャープ未満の例とは別に、実際の信号のトレーニングを必要とせずに、転送学習がスコアを改善することがわかった。
これにより、エラー分類だけでなく、信号分類にもトランスファー学習が用いられるようになった。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - cDVGAN: One Flexible Model for Multi-class Gravitational Wave Signal and
Glitch Generation [0.8322015630825134]
本稿では,複数の時間領域観測のクラスをシミュレートする手法として,ジェネレーティブ・アドリアック・ネットワーク・フレームワークに新しい条件モデルを提案する。
提案したcDVGANは,3つのクラスの特徴を再現する4種類のベースラインGANモデルより優れている。
実験の結果,cDVGAN生成データによる畳み込みニューラルネットワークのトレーニングにより,検出器ノイズに埋め込まれたサンプルの検出が向上することがわかった。
論文 参考訳(メタデータ) (2024-01-29T17:59:26Z) - CovarNav: Machine Unlearning via Model Inversion and Covariance
Navigation [11.222501077070765]
機械学習は、訓練されたモデルに対する特定のトレーニングデータポイントの影響を選択的に除去する重要なテクニックとして登場した。
我々は,このことを忘れないように,CovarNavという3段階のプロセスを導入する。
CIFAR-10とVggface2データセット上でCovarNavを厳格に評価する。
論文 参考訳(メタデータ) (2023-11-21T21:19:59Z) - Principled and Efficient Transfer Learning of Deep Models via Neural
Collapse [35.365366092030904]
この研究は、神経崩壊(NC)と呼ばれる興味深い現象を通して、伝達学習の謎を掘り下げる
i) 事前学習時のモデル, クラス内変動の崩壊防止(ある程度)は, 入力データの内在的構造をよりよく保存し, モデル伝達性の向上につながること, (ii) 下流タスクの微調整モデルでは, 下流データ上でよりNCの高い特徴を得ることにより, 与えられたタスクの精度が向上すること, などである。
論文 参考訳(メタデータ) (2022-12-23T08:48:34Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-23T09:35:03Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。
本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。
スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
論文 参考訳(メタデータ) (2021-11-26T11:58:51Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z) - Learning across label confidence distributions using Filtered Transfer
Learning [0.44040106718326594]
本稿では,大きな可変信頼度データセットを持つノイズの多いデータシステムにおいて,予測能力を向上させるための伝達学習手法を提案する。
本稿では、複数の階層のデータ信頼度を個別のタスクとして定義する、FTL(Filted Transfer Learning)と呼ばれるディープニューラルネットワーク手法を提案する。
FTLを用いてラベル信頼度分布を段階的に学習すると、単一の信頼範囲でトレーニングされたディープニューラルネットワークモデルよりも高いパフォーマンスが得られることを示す。
論文 参考訳(メタデータ) (2020-06-03T21:00:11Z)
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。