論文の概要: Gravix: Active Learning for Gravitational Waves Classification Algorithms

• arxiv url: http://arxiv.org/abs/2408.14483v1
• Date: Sun, 18 Aug 2024 06:06:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-01 16:52:18.363501
• Title: Gravix: Active Learning for Gravitational Waves Classification Algorithms
• Title（参考訳）: Gravix: 重力波分類アルゴリズムのためのアクティブラーニング
• Authors: Raja Vavekanand, Kira Sam, Vavek Bharwani,
• Abstract要約: このプロジェクトでは,ベイズ最適化アルゴリズムをベース機械学習モデルに統合し,重力波の分類を行う。 本物のノイズを持つデータは、LIGO Livingston、LIGO Hanford、Virgoの3つの検出器から収集される。 モデルは試験データを効果的に分類し、83.61%の顕著なスコアで重力波信号の存在を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This project explores the integration of Bayesian Optimization (BO) algorithms into a base machine learning model, specifically Convolutional Neural Networks (CNNs), for classifying gravitational waves among background noise. The primary objective is to evaluate whether optimizing hyperparameters using Bayesian Optimization enhances the base model's performance. For this purpose, a Kaggle [1] dataset that comprises real background noise (labeled 0) and simulated gravitational wave signals with noise (labeled 1) is used. Data with real noise is collected from three detectors: LIGO Livingston, LIGO Hanford, and Virgo. Through data preprocessing and training, the models effectively classify testing data, predicting the presence of gravitational wave signals with a remarkable score, of 83.61%. The BO model demonstrates comparable accuracy to the base model, but its performance improvement is not very significant (84.34%). However, it is worth noting that the BO model needs additional computational resources and time due to the iterations required for hyperparameter optimization, requiring additional training on the entire dataset. For this reason, the BO model is less efficient in terms of resources compared to the base model in gravitational wave classification
• Abstract（参考訳）: このプロジェクトでは,背景雑音間の重力波を分類するために,ベイズ最適化(BO)アルゴリズムをベース機械学習モデル,特に畳み込みニューラルネットワーク(CNN)に統合することを検討する。 主な目的は、ベイズ最適化を用いたハイパーパラメータの最適化がベースモデルの性能を向上させるかどうかを評価することである。 この目的のために、実際のバックグラウンドノイズ(ラベル付き)を含むKaggle [1]データセット 0)と騒音(ラベル付き)による重力波信号のシミュレーション 1)が用いられる。 本物のノイズを持つデータは、LIGO Livingston、LIGO Hanford、Virgoの3つの検出器から収集される。 データ前処理とトレーニングを通じて、モデルは試験データを効果的に分類し、顕著なスコアを持つ重力波信号の存在を83.61%と予測した。 BOモデルはベースモデルと同等の精度を示すが、性能改善はあまり重要ではない(84.34%)。 しかし、BOモデルはハイパーパラメータ最適化に必要なイテレーションのために、追加の計算リソースと時間を必要としており、データセット全体の追加のトレーニングが必要であることに注意する必要がある。 このため、BOモデルは、重力波分類のベースモデルに比べて、資源の観点からは効率が低い。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Bayesian identification of nonseparable Hamiltonians with multiplicative noise using deep learning and reduced-order modeling [0.5999777817331317]
  本稿では,非分離型ハミルトニアン系を学習するための構造保存型ベイズ的アプローチを提案する。 本研究では,ハイ次元システムに対するベイズ同定のコスト効率向上のための新しいアルゴリズムを開発した。 訓練目的としてベイズ後部を使用すれば,ハミルトン平均二乗誤差の724倍の改善が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-23T04:05:26Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• 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)
• Neural-prior stochastic block model [0.0]
  我々は,コミュニティを,逆ではなくノード属性によって決定されるものとしてモデル化することを提案する。 本稿では,信念伝播と近似メッセージパッシングを組み合わせた統計物理に基づくアルゴリズムを提案する。 提案したモデルとアルゴリズムは理論とアルゴリズムのベンチマークとして利用できる。
  論文  参考訳（メタデータ） (2023-03-17T14:14:54Z)
• Neighbor Regularized Bayesian Optimization for Hyperparameter Optimization [12.544312247050236]
  そこで本研究では,近隣正規化ベイズ最適化(NRBO)と呼ばれる新しいBOアルゴリズムを提案する。 まず,各試料の観察を円滑に円滑に行うため,余分なトレーニングコストを伴わずに効率よく観測ノイズを低減できる近傍型正規化を提案する。 我々は、ベイズマークベンチマークとImageNetやCOCOのような重要なコンピュータビジョンベンチマークで実験を行う。
  論文  参考訳（メタデータ） (2022-10-07T12:08:01Z)
• Fully Adaptive Bayesian Algorithm for Data Analysis, FABADA [0.0]
  本稿では,ベイズ推定の観点から,新しい非パラメトリック雑音低減手法について述べる。 データのスムーズなバージョン、スムーズなモデルを繰り返し評価し、基礎となる信号の推定値を得る。 繰り返しは、最後の滑らかなモデルの証拠と$chi2$統計に基づいて停止し、信号の期待値を計算する。
  論文  参考訳（メタデータ） (2022-01-13T18:54:31Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Continual Learning of Generative Models with Limited Data: From Wasserstein-1 Barycenter to Adaptive Coalescence [22.82926450287203]
  データと計算能力に制限のあるネットワークエッジノードでは、生成モデルの学習が難しい。 本研究は,生成モデルの連続学習を体系的に最適化するフレームワークの開発を目的とする。
  論文  参考訳（メタデータ） (2021-01-22T17:15:39Z)

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。