論文の概要: Transfer Learning Adapts to Changing PSD in Gravitational Wave Data

• arxiv url: http://arxiv.org/abs/2410.11911v1
• Date: Tue, 15 Oct 2024 05:27:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:41:07.581067
• Title: Transfer Learning Adapts to Changing PSD in Gravitational Wave Data
• Title（参考訳）: 重力波データにおけるPSD変化に対応する伝達学習
• Authors: Beka Modrekiladze,
• Abstract要約: 重力波データのノイズは、信号の識別において大きな課題となる。 従来のノイズ抑圧法は、データ中の非ガウス効果に完全に対処するのに不足することが多い。 複雑な雑音の中で重力波を正確に検出する新しい訓練手法を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The detection of gravitational waves has opened unparalleled opportunities for observing the universe, particularly through the study of black hole inspirals. These events serve as unique laboratories to explore the laws of physics under conditions of extreme energies. However, significant noise in gravitational wave (GW) data from observatories such as Advanced LIGO and Virgo poses major challenges in signal identification. Traditional noise suppression methods often fall short in fully addressing the non-Gaussian effects in the data, including the fluctuations in noise power spectral density (PSD) over short time intervals. These challenges have led to the exploration of an AI approach that, while overcoming previous obstacles, introduced its own challenges, such as scalability, reliability issues, and the vanishing gradient problem. Our approach addresses these issues through a simplified architecture. To compensate for the potential limitations of a simpler model, we have developed a novel training methodology that enables it to accurately detect gravitational waves amidst highly complex noise. Employing this strategy, our model achieves over 99% accuracy in non-white noise scenarios and shows remarkable adaptability to changing noise PSD conditions. By leveraging the principles of transfer learning, our model quickly adapts to new noise profiles with just a few epochs of fine-tuning, facilitating real-time applications in dynamically changing noise environments.
• Abstract（参考訳）: 重力波の検出は、特にブラックホールの吸盤の研究を通じて、宇宙を観測するための例外のない機会を開いた。 これらの出来事は、極端なエネルギーの条件下で物理学の法則を探求するユニークな実験室として機能する。 しかし、Advanced LIGOやVirgoのような観測所から得られる重力波(GW)データの大きなノイズは、信号の識別において大きな課題となる。 従来のノイズ抑圧法は、短い時間間隔でノイズパワースペクトル密度(PSD)の変動を含む、データ中の非ガウス効果に完全に対処するのに不足することが多い。 これらの課題は、以前の障害を克服しながら、スケーラビリティ、信頼性の問題、消滅する勾配問題など、独自の課題を導入したAIアプローチの探求につながった。 私たちのアプローチは、単純化されたアーキテクチャによってこれらの問題に対処します。 より単純なモデルの潜在的な限界を補うために、非常に複雑な雑音の中で重力波を正確に検出できる新しい訓練手法を開発した。 この手法を用いることで, 非白色雑音のシナリオにおいて99%以上の精度を達成し, ノイズPSD条件の変化に対する顕著な適応性を示す。 伝達学習の原理を活用することで、我々のモデルはわずかな微調整による新しいノイズプロファイルに迅速に適応し、動的に変化するノイズ環境におけるリアルタイムアプリケーションを容易にする。

関連論文リスト

• Dynamical quantum maps for single-qubit gates under universal non-Markovian noise [0.0]
  量子デバイスにおけるノイズはユビキタスであり、精度が必要な設定では一般的に有害である。 ここでは、単一実験入力のみを必要とする単一キュービットゲートに対して、コンパクトな顕微鏡誤差モデルを導出する。 ランダム化ベンチマークを用いて測定し,量子プロセストモグラフィーを用いて再構成した平均ゲート誤差の実験的推定は,解析的推定値によって厳しく下界していることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T13:24:03Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Don't Pay Attention to the Noise: Learning Self-supervised Representations of Light Curves with a Denoising Time Series Transformer [0.0]
  我々は、DTST(Denoising Time Series Transformer)と呼ばれる単純なトランスモデルを提案する。 マスク対象のトレーニングにおいて,時系列データセットのノイズや外れ値の除去に優れることを示す。 我々は、トランジット系外惑星宇宙衛星(TESS)の実際の恒星光曲線に関する実験を行う。
  論文  参考訳（メタデータ） (2022-07-06T16:10:11Z)
• Quantum Control for Time-dependent Noise by Inverse Geometric Optimization [10.292957036462829]
  我々は最近提案した逆幾何最適化の頑健な制御手法を時間依存雑音に拡張して適用する。 提案手法は,現実的な雑音モデルの下で所望の量子進化を実現するために,高品質なロバストパルスを生成することができることを示す。
  論文  参考訳（メタデータ） (2022-05-05T08:50:02Z)
• Detecting and Diagnosing Terrestrial Gravitational-Wave Mimics Through Feature Learning [0.7388859384645262]
  本稿では,超複雑系の突発的過渡異常を検知し,特徴付ける手法の実証について述べる。 重力波の発見を制限する問題の1つは、地球起源のノイズアーティファクトである。 我々は,高度に解釈可能な畳み込み分類器が,補助検出器データから過渡的異常を自動的に検出する方法を示す。
  論文  参考訳（メタデータ） (2022-03-09T23:39:41Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• 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)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。