論文の概要: DECODE: DilatEd COnvolutional neural network for Detecting
Extreme-mass-ratio inspirals
- arxiv url: http://arxiv.org/abs/2308.16422v2
- Date: Mon, 16 Oct 2023 08:27:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 03:37:32.220073
- Title: DECODE: DilatEd COnvolutional neural network for Detecting
Extreme-mass-ratio inspirals
- Title(参考訳): decode: 拡張畳み込みニューラルネットワークによる極大比吸気の検出
- Authors: Tianyu Zhao, Yue Zhou, Ruijun Shi, Zhoujian Cao, Zhixiang Ren
- Abstract要約: 本稿では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。
我々は,SNRを50~120に蓄積した1年間のデータから,真正の96.3%を偽正の1%で達成した。
- 参考スコア(独自算出の注目度): 9.4516663566774
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection of Extreme Mass Ratio Inspirals (EMRIs) is intricate due to
their complex waveforms, extended duration, and low signal-to-noise ratio
(SNR), making them more challenging to be identified compared to compact binary
coalescences. While matched filtering-based techniques are known for their
computational demands, existing deep learning-based methods primarily handle
time-domain data and are often constrained by data duration and SNR. In
addition, most existing work ignores time-delay interferometry (TDI) and
applies the long-wavelength approximation in detector response calculations,
thus limiting their ability to handle laser frequency noise. In this study, we
introduce DECODE, an end-to-end model focusing on EMRI signal detection by
sequence modeling in the frequency domain. Centered around a dilated causal
convolutional neural network, trained on synthetic data considering TDI-1.5
detector response, DECODE can efficiently process a year's worth of
multichannel TDI data with an SNR of around 50. We evaluate our model on 1-year
data with accumulated SNR ranging from 50 to 120 and achieve a true positive
rate of 96.3% at a false positive rate of 1%, keeping an inference time of less
than 0.01 seconds. With the visualization of three showcased EMRI signals for
interpretability and generalization, DECODE exhibits strong potential for
future space-based gravitational wave data analyses.
- Abstract(参考訳): EMRI(Extreme Mass Ratio Inspirals)の検出は、複雑な波形、持続時間、SNR(low signal-to-noise ratio)によって複雑化しており、コンパクトなバイナリコリゾネッセンスと比較して識別が困難である。
マッチングフィルタリングに基づく手法は計算要求で知られているが、既存のディープラーニングベースの手法は主に時間領域のデータを扱うものであり、データ持続時間やSNRによって制約されることが多い。
加えて、既存のほとんどの研究は時間遅延干渉法(TDI)を無視し、検出器応答計算に長波長近似を適用し、レーザー周波数ノイズを処理する能力を制限する。
本研究では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。
拡張された因果畳み込みニューラルネットワークを中心に、TDI-1.5検出応答を考慮した合成データに基づいてトレーニングされたDECODEは、約50のSNRで1年分のマルチチャネルTDIデータを効率的に処理することができる。
50~120のsnrを蓄積した1年間のデータからモデルを評価し,偽陽性率1%で96.3%の真陽性率を達成し,0.01秒未満の推測時間を保った。
解釈可能性と一般化のための3つのEMRI信号の可視化により、DECODEは将来の宇宙ベースの重力波データ解析に強い可能性を示す。
関連論文リスト
- DTP-Net: Learning to Reconstruct EEG signals in Time-Frequency Domain by
Multi-scale Feature Reuse [7.646218090238708]
学習可能な時間周波数変換を挟んだDTP(Densely Connected Temporal Pyramid)で構成された、DTP-Netと呼ばれる完全な畳み込みニューラルネットワークを提案する。
脳波信号は様々なアーティファクトによって容易に破壊され、疾患診断や脳-コンピュータインターフェース(BCI)などのシナリオにおいて、信号品質を改善するためにアーティファクトの除去が重要となる
2つの公開セミシミュレートされたデータセットで実施された大規模な実験は、DTP-Netの効果的なアーティファクト除去性能を示す。
論文 参考訳(メタデータ) (2023-11-27T11:09:39Z) - Physics-inspired spatiotemporal-graph AI ensemble for gravitational wave
detection [2.191505742658975]
本稿では,ハイブリッド拡張畳み込みニューラルネットワークとグラフニューラルネットワークを組み合わせた重力波検出手法を提案する。
これらのAIモデルは、準円、非スピン、回転、非必要二元ブラックホール融合によって放出される重力波の信号検出のために試験される。
2つのAIモデルのアンサンブルは、信号検出のための最先端のパフォーマンスを実現し、検索されたデータの10年毎に7つの誤分類を報告します。
論文 参考訳(メタデータ) (2023-06-27T18:09:15Z) - Deep Learning-based Estimation for Multitarget Radar Detection [11.623005206620496]
本稿では,検出信号のレンジ・ドップラーマップから直接移動対象の範囲と速度を推定する,畳み込みニューラルネットワーク(CNN)に基づく新しい手法を提案する。
2D- periodogram, 2DResFreq, VGG-19 と比較すると, SNR = 30 dB の場合, SNR は 33 dB, 21 dB, 10 dB となる。
論文 参考訳(メタデータ) (2023-05-05T16:22:17Z) - Synthetic Wave-Geometric Impulse Responses for Improved Speech
Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。
本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文 参考訳(メタデータ) (2022-12-10T20:15:23Z) - Deep learning based sferics recognition for AMT data processing in the
dead band [5.683853455697258]
AMT (Audio magnetotellurics) 音波データ処理では、ある時間帯における干渉信号の欠如は、一般的にATTデッドバンドのエネルギー不足をもたらす。
本稿では,長期にわたって冗長に記録されたデータからスフェリック信号を自動的に認識するディープ畳み込みニューラルネットワーク(CNN)を提案する。
本手法はS/Nを大幅に改善し, デッドバンドのエネルギー不足を効果的に解決する。
論文 参考訳(メタデータ) (2022-09-22T02:31:28Z) - Improving Generalization of Deep Neural Network Acoustic Models with
Length Perturbation and N-best Based Label Smoothing [49.82147684491619]
音声認識(ASR)のためのディープニューラルネットワーク(DNN)音響モデルの一般化を改善する2つの手法を提案する。
長さ摂動 (Longth perturbation) は、音声特徴系列の長さを変更するために音声のフレームをランダムにドロップして挿入するデータ拡張アルゴリズムである。
N-bestに基づくラベルスムーシングは、n-best仮説からノイズラベルが生成される過度な適合を避けるために、トレーニング中にグラウンド・真理ラベルにランダムにノイズを注入する。
論文 参考訳(メタデータ) (2022-03-29T01:40:22Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳(メタデータ) (2021-06-23T18:00:05Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。
提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文 参考訳(メタデータ) (2020-05-18T13:13:41Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
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。