論文の概要: Enhancing the Reliability in Machine Learning for Gravitational Wave Parameter Estimation with Attention-Based Models

• arxiv url: http://arxiv.org/abs/2501.10486v1
• Date: Fri, 17 Jan 2025 07:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:19:46.428324
• Title: Enhancing the Reliability in Machine Learning for Gravitational Wave Parameter Estimation with Attention-Based Models
• Title（参考訳）: 注意モデルを用いた重力波パラメータ推定のための機械学習の信頼性向上
• Authors: Hibiki Iwanaga, Mahoro Matsuyama, Yousuke Itoh,
• Abstract要約: 重力波信号のスペクトルから有効スピンとチャープ質量を推定する2つの独立した機械学習モデルを開発した。 注意マップを使用して、予測を行う際に、モデルが重視する領域を視覚化します。 モデルがグリッチに重きを置くと、パラメータ推定結果がより強くバイアスを受けることが示される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We introduce a technique to enhance the reliability of gravitational wave parameter estimation results produced by machine learning. We develop two independent machine learning models based on the Vision Transformer to estimate effective spin and chirp mass from spectrograms of gravitational wave signals from binary black hole mergers. To enhance the reliability of these models, we utilize attention maps to visualize the areas our models focus on when making predictions. This approach enables demonstrating that both models perform parameter estimation based on physically meaningful information. Furthermore, by leveraging these attention maps, we demonstrate a method to quantify the impact of glitches on parameter estimation. We show that as the models focus more on glitches, the parameter estimation results become more strongly biased. This suggests that attention maps could potentially be used to distinguish between cases where the results produced by the machine learning model are reliable and cases where they are not.
• Abstract（参考訳）: 本稿では,機械学習による重力波パラメータ推定結果の信頼性を高める手法を提案する。 我々は、二元ブラックホールの融合による重力波信号のスペクトログラムから有効スピンとチャープ質量を推定するために、ビジョントランスフォーマーに基づく2つの独立した機械学習モデルを開発した。 これらのモデルの信頼性を高めるために、アテンションマップを使用して、予測を行う際に、モデルが注目する領域を視覚化する。 このアプローチにより、両方のモデルが物理的に意味のある情報に基づいてパラメータ推定を行うことを示すことができる。 さらに,これらのアテンションマップを活用することで,グリッチがパラメータ推定に与える影響を定量化する手法を示す。 モデルがグリッチに重きを置くと、パラメータ推定結果がより強くバイアスを受けることが示される。 これは、機械学習モデルによって生成された結果が信頼できる場合と、それらがそうでない場合とを区別するために、注意マップを使用する可能性があることを示唆している。

関連論文リスト

• Rethinking Weight-Averaged Model-merging [15.2881959315021]
  重み付きモデルマージはディープラーニングにおいて強力なアプローチとして登場し、微調整や再訓練なしにモデル性能を向上させることができる。 本稿では,この手法を3つの新しい視点から検討し,重み付きモデルマージがどのように動作するのか,なぜより深い知見を提供する。 私たちの発見は、平均的なモデルマージの"ブラックボックス"に光を当て、貴重な洞察と実践的なレコメンデーションを提供しました。
  論文  参考訳（メタデータ） (2024-11-14T08:02:14Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Beyond mirkwood: Enhancing SED Modeling with Conformal Predictions [0.0]
  SEDフィッティングにおける柔軟性と不確実性を向上する,高度な機械学習ベースのアプローチを提案する。 我々は、整合化量子レグレッションを組み込んで、点予測をエラーバーに変換し、解釈可能性と信頼性を向上させる。
  論文  参考訳（メタデータ） (2023-12-21T11:27:20Z)
• On the Impact of Sampling on Deep Sequential State Estimation [17.92198582435315]
  逐次モデルにおける状態推定とパラメータ学習は近似手法を用いてうまく行うことができる。 モンテカルロの厳密な目的は、生成的モデリング性能を向上させるために文献で提案されている。
  論文  参考訳（メタデータ） (2023-11-28T17:59:49Z)
• Estimate Deformation Capacity of Non-Ductile RC Shear Walls using Explainable Boosting Machine [0.0]
  本研究の目的は,非延性鉄筋コンクリートせん断壁の変形能力を予測するための,完全に説明可能な機械学習モデルを開発することである。 提案された Explainable Boosting Machines (EBM) ベースのモデルは、解釈可能で堅牢で、自然に説明可能なガラス箱モデルであるが、ブラックボックスモデルに匹敵する高い精度を提供する。
  論文  参考訳（メタデータ） (2023-01-11T09:20:29Z)
• Interpreting a Machine Learning Model for Detecting Gravitational Waves [6.139541666440539]
  コンピュータビジョンのために開発された解釈可能性技術は、重力波の探索と探索に使用される機械学習モデルに適用する。 本研究は,非ガウスおよび非定常レーザー干渉計重力波観測装置(LIGO)データにおけるブラックホールの融合事象を検出するために訓練された。
  論文  参考訳（メタデータ） (2022-02-15T13:49:13Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Wave Propagation of Visual Stimuli in Focus of Attention [77.4747032928547]
  周囲の視覚環境の変化に対する迅速な反応は、計算資源を視覚領域の最も関連する場所に再配置する効率的な注意機構を必要とする。 本研究は, 営巣動物が提示する有効性と効率性を示す, 生物学的に有望な注目焦点モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-19T09:33:21Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。