Fugu-MT 論文翻訳(概要): Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches

論文の概要: Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches

arxiv url: http://arxiv.org/abs/2404.15552v1
Date: Tue, 23 Apr 2024 22:54:51 GMT
ステータス: 処理完了
システム内更新日: 2024-04-25 15:03:25.057683
Title: Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches
Title（参考訳）: 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):クラスタリング重力波グリッチの教師なし次元化
Authors: Yi Li, Yunan Wu, Aggelos K. Katsaggelos,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.653249139353608
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The advancement of The Laser Interferometer Gravitational-Wave Observatory (LIGO) has significantly enhanced the feasibility and reliability of gravitational wave detection. However, LIGO's high sensitivity makes it susceptible to transient noises known as glitches, which necessitate effective differentiation from real gravitational wave signals. Traditional approaches predominantly employ fully supervised or semi-supervised algorithms for the task of glitch classification and clustering. In the future task of identifying and classifying glitches across main and auxiliary channels, it is impractical to build a dataset with manually labeled ground-truth. In addition, the patterns of glitches can vary with time, generating new glitches without manual labels. In response to this challenge, we introduce the Cross-Temporal Spectrogram Autoencoder (CTSAE), a pioneering unsupervised method for the dimensionality reduction and clustering of gravitational wave glitches. CTSAE integrates a novel four-branch autoencoder with a hybrid of Convolutional Neural Networks (CNN) and Vision Transformers (ViT). To further extract features across multi-branches, we introduce a novel multi-branch fusion method using the CLS (Class) token. Our model, trained and evaluated on the GravitySpy O3 dataset on the main channel, demonstrates superior performance in clustering tasks when compared to state-of-the-art semi-supervised learning methods. To the best of our knowledge, CTSAE represents the first unsupervised approach tailored specifically for clustering LIGO data, marking a significant step forward in the field of gravitational wave research. The code of this paper is available at https://github.com/Zod-L/CTSAE
Abstract（参考訳）: LIGO(Laser Interferometer Gravitational-Wave Observatory)の進歩により、重力波検出の実現可能性と信頼性が大幅に向上した。しかし、LIGOの感度が高いため、グリッチと呼ばれる過渡的なノイズの影響を受けやすいため、実際の重力波信号と効果的に区別する必要がある。従来のアプローチでは、グリッチ分類とクラスタリングのタスクに、完全に教師付きまたは半教師付きアルゴリズムを主に採用していた。メインチャネルと補助チャネルをまたいでグリッチを識別し分類する将来のタスクでは、手動でラベル付けされた接地構造を持つデータセットを構築するのは現実的ではない。さらに、グリッチのパターンは時間によって変化し、手動のラベルなしで新しいグリッチを生成することができる。この課題に対して,重力波グリッチの次元減少とクラスタリングの先駆的手法であるCTSAE(Cross-Temporal Spectrogram Autoencoder)を導入する。 CTSAEは、新しい4分岐オートエンコーダと、畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)のハイブリッドを統合している。マルチブランチにまたがる特徴を更に抽出するために,CLSトークンを用いた新しいマルチブランチ融合法を提案する。本モデルでは,主チャネル上のGravitySpy O3データセットを用いて,最先端の半教師付き学習手法と比較して,クラスタリングタスクにおける優れた性能を示す。我々の知る限りでは、CTSAEはLIGOデータのクラスタリングに特化した、最初の教師なしのアプローチであり、重力波研究の分野における重要な一歩である。本論文のコードはhttps://github.com/Zod-L/CTSAEで公開されている。

関連論文リスト

Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文参考訳（メタデータ） (2024-02-20T12:01:30Z)
Efficient Machine Learning Ensemble Methods for Detecting Gravitational Wave Glitches in LIGO Time Series [0.614609308117547]
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。
論文参考訳（メタデータ） (2023-11-02T10:07:30Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
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。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
GADformer: A Transparent Transformer Model for Group Anomaly Detection on Trajectories [0.9971221656644376]
グループ異常検出(GAD)は、個々のメンバーが異常ではない場合の異常なパターンを特定する。本稿では,非教師付きおよび半教師付き設定におけるトラジェクトリ上での注意駆動型GADモデルであるGADformerを紹介する。また,Block-Attention-anomaly-Score (BAS)を導入し,注意パターンを評価することでモデルの透明性を高める。
論文参考訳（メタデータ） (2023-03-17T08:49:09Z)
Plug-and-Play Pseudo Label Correction Network for Unsupervised Person Re-identification [36.3733132520186]
グラフベースの擬似ラベル補正ネットワーク(GLC)を提案する。 GLC は k 近傍グラフ上のサンプル間の関係制約を用いて初期雑音ラベルを補正する。本手法は,様々なクラスタリング手法と互換性があり,最新技術の性能を継続的に向上させる。
論文参考訳（メタデータ） (2022-06-14T05:59:37Z)
Semi-Supervised Graph Learning Meets Dimensionality Reduction [0.0]
半教師付き学習(SSL)は最近、機械学習研究者から注目を集めている。本研究では,PCA, t-SNE, UMAPなどの次元減少技術を用いて, グラフニューラルネットワーク(GNN)の性能に与える影響について検討する。ベンチマークとクラスタリングの可視化により,GNN入力と出力に対する先行次元と後続次元の低減をそれぞれ利用することで,半教師付きノードラベルの伝搬とノードクラスタリングの有効性を同時に向上できることが示された。
論文参考訳（メタデータ） (2022-03-23T16:31:53Z)
Unsupervised Learning Architecture for Classifying the Transient Noise of Interferometric Gravitational-wave Detectors [2.8555963243398073]
非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
論文参考訳（メタデータ） (2021-11-19T05:37:06Z)
Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文参考訳（メタデータ） (2021-10-05T10:45:51Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
論文参考訳（メタデータ） (2020-10-23T13:57:39Z)
EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。