論文の概要: Efficient Machine Learning Ensemble Methods for Detecting Gravitational Wave Glitches in LIGO Time Series

• arxiv url: http://arxiv.org/abs/2311.02106v1
• Date: Thu, 2 Nov 2023 10:07:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 19:38:43.570896
• Title: Efficient Machine Learning Ensemble Methods for Detecting Gravitational Wave Glitches in LIGO Time Series
• Title（参考訳）: LIGO時系列における重力波群検出のための効率的な機械学習アンサンブル法
• Authors: Elena-Simona Apostol and Ciprian-Octavian Truic\u{a}
• Abstract要約: 本稿では,GW観測所から異なる種類のノイズやパターンを検出するための2つの新しい機械学習アンサンブル手法を提案する。 我々は、Advanced Laser Interferometer GW Observatoryによって収集された実世界のデータから、注釈付き時系列からなるデータセット上で、我々のモデルを訓練し、テストする。 提案したDeepWaves Ensembleに次いでShallowWaves Ensembleに近づいた。
• 参考スコア（独自算出の注目度）: 0.614609308117547
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The phenomenon of Gravitational Wave (GW) analysis has grown in popularity as technology has advanced and the process of observing gravitational waves has become more precise. Although the sensitivity and the frequency of observation of GW signals are constantly improving, the possibility of noise in the collected GW data remains. In this paper, we propose two new Machine and Deep learning ensemble approaches (i.e., ShallowWaves and DeepWaves Ensembles) for detecting different types of noise and patterns in datasets from GW observatories. Our research also investigates various Machine and Deep Learning techniques for multi-class classification and provides a comprehensive benchmark, emphasizing the best results in terms of three commonly used performance metrics (i.e., accuracy, precision, and recall). We train and test our models on a dataset consisting of annotated time series from real-world data collected by the Advanced Laser Interferometer GW Observatory (LIGO). We empirically show that the best overall accuracy is obtained by the proposed DeepWaves Ensemble, followed close by the ShallowWaves Ensemble.
• Abstract（参考訳）: 重力波(GW)解析の現象は、技術が進歩し、重力波を観測する過程がより正確になり、人気が高まっている。 GW信号の感度と観測頻度は常に改善されているが、収集したGWデータのノイズの可能性は残っている。 本稿では,gw観測所からデータセット内の異なる種類のノイズやパターンを検出するための2つの新しい機械および深層学習アンサンブル手法(浅波および深波アンサンブル)を提案する。 本研究は,マルチクラス分類のための様々な機械学習およびディープラーニング手法を調査し,3つの一般的なパフォーマンス指標(精度,精度,リコール)の観点から,最高の結果を強調した総合ベンチマークを提供する。 我々は、先進レーザー干渉計gw観測所(ligo)が収集した実世界のデータからアノテートされた時系列からなるデータセットでモデルを訓練し、テストする。 提案するディープウェーブアンサンブルにより,最善の全体的な精度が得られ,さらに浅いウェーブアンサンブルが近いことを実証的に示す。

関連論文リスト

• Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting [0.0]
  本研究では、離散ウェーブレット変換(DWT)を用いて、時系列データの時間依存性を保ちながら周波数要素を調整する2つの拡張手法を提案する。 我々の知る限り、DWTを用いた多変量時系列に関する広範な実験を行った最初の研究である。
  論文  参考訳（メタデータ） (2024-08-20T15:42:10Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches [12.653249139353608]
  クロステンポラル・スペクトログラム・オートエンコーダ (CTSAE) は、重力波グリッチの次元減少とクラスタリングの先駆的な方法である。 メインチャネルのGravitySpy O3データセットをトレーニングし,評価し,クラスタリングタスクにおける優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-04-23T22:54:51Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer [9.4516663566774]
  宇宙ベースの重力波(GW)検出は、今後10年で最も期待されているGW検出プロジェクトの一つである。 深層学習法はGW波形の生成と外挿のために広く研究されていない。 我々の研究は、GW領域における大規模モデルの可能性を示し、今後の研究の新たな機会とガイダンスを開放する。
  論文  参考訳（メタデータ） (2023-10-31T04:40:20Z)
• Machine Learning for Quantum-Enhanced Gravitational-Wave Observatories [2.7151296467157184]
  我々は、レーザー干渉計重力波観測所の3回目の観測中に、機械学習を用いてスクイーズレベルを予測する。 これらの技術の発展は、重力波検出器における圧縮状態注入の最適化に向けた今後の取り組みの基礎となる。
  論文  参考訳（メタデータ） (2023-05-23T07:47:16Z)
• MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
  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。
  論文  参考訳（メタデータ） (2022-09-22T16:44:59Z)
• Training Process of Unsupervised Learning Architecture for Gravity Spy Dataset [2.8555963243398073]
  重力波検出器のデータに現れる過渡ノイズは、しばしば問題を引き起こす。 過渡ノイズは環境や機器と関連していると考えられているため、その分類は、その起源を理解し、検出器の性能を向上させるのに役立つだろう。 前報では、教師なしディープラーニングと変分オートエンコーダと不変情報クラスタリングを組み合わせた、時間周波数2次元画像(分光図)を用いた過渡雑音の分類アーキテクチャを提案する。 先進レーザ干渉計重力波観測装置(Advanced Laser Interferometer Gravitational-Wave Observatory)からなる重力スピーデータセットに,教師なし学習アーキテクチャを適用した。
  論文  参考訳（メタデータ） (2022-08-07T02:51:36Z)
• 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)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• 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)

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。