Fugu-MT 論文翻訳(概要): Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams

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

Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。モデルは最初、公開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、典型的なネットワーク動作を学習する。我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
論文参考訳（メタデータ） (2024-09-30T17:51:54Z)
Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
論文参考訳（メタデータ） (2024-06-20T18:35:47Z)
Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文参考訳（メタデータ） (2024-04-26T06:00:27Z)
cDVGAN: One Flexible Model for Multi-class Gravitational Wave Signal and Glitch Generation [0.7853804618032806]
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)
Understanding and Improving Transfer Learning of Deep Models via Neural Collapse [37.483109067209504]
分類問題に対する神経崩壊(NC)と伝達学習の関係について検討する。機能崩壊と下流のパフォーマンスには強い相関関係がある。提案手法は, 微調整パラメータを90%以上削減しつつ, 優れた性能を実現する。
論文参考訳（メタデータ） (2022-12-23T08:48:34Z)
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。