論文の概要: DeepExtractor: Time-domain reconstruction of signals and glitches in gravitational wave data with deep learning

• arxiv url: http://arxiv.org/abs/2501.18423v1
• Date: Thu, 30 Jan 2025 15:25:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:13:38.352447
• Title: DeepExtractor: Time-domain reconstruction of signals and glitches in gravitational wave data with deep learning
• Title（参考訳）: DeepExtractor:ディープラーニングを用いた重力波データにおける信号とグリッチの時間領域再構成
• Authors: Tom Dooney, Harsh Narola, Stefano Bromuri, R. Lyana Curier, Chris Van Den Broeck, Sarah Caudill, Daniel Stanley Tan,
• Abstract要約: 我々は、干渉計ノイズを超えるパワーで信号やグリッチを再構成する深層学習フレームワークDeepExtractorを提案する。 3つの実験によりDeepExtractorの有効性を検証した。 DeepExtractorは、シミュレーショングリッチに対して0.9%の中央値のミスマッチを達成し、いくつかのディープラーニングベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 2.637315570643508
• License:
• Abstract: Gravitational wave (GW) interferometers, detect faint signals from distant astrophysical events, such as binary black hole mergers. However, their high sensitivity also makes them susceptible to background noise, which can obscure these signals. This noise often includes transient artifacts called "glitches" that can mimic astrophysical signals or mask their characteristics. Fast and accurate reconstruction of both signals and glitches is crucial for reliable scientific inference. In this study, we present DeepExtractor, a deep learning framework designed to reconstruct signals and glitches with power exceeding interferometer noise, regardless of their source. We design DeepExtractor to model the inherent noise distribution of GW interferometers, following conventional assumptions that the noise is Gaussian and stationary over short time scales. It operates by predicting and subtracting the noise component of the data, retaining only the clean reconstruction. Our approach achieves superior generalization capabilities for arbitrary signals and glitches compared to methods that directly map inputs to the clean training waveforms. We validate DeepExtractor's effectiveness through three experiments: (1) reconstructing simulated glitches injected into simulated detector noise, (2) comparing performance with the state-of-the-art BayesWave algorithm, and (3) analyzing real data from the Gravity Spy dataset to demonstrate effective glitch subtraction from LIGO strain data. DeepExtractor achieves a median mismatch of only 0.9% for simulated glitches, outperforming several deep learning baselines. Additionally, DeepExtractor surpasses BayesWave in glitch recovery, offering a dramatic computational speedup by reconstructing one glitch sample in approx. 0.1 seconds on a CPU, compared to BayesWave's processing time of approx. one hour per glitch.
• Abstract（参考訳）: 重力波干渉計(GW)は、二元ブラックホールの融合のような遠方の天体物理学的な事象からかすかな信号を検出する。 しかし、その感度が高いため、背景雑音の影響を受けやすいため、これらの信号は隠蔽される可能性がある。 このノイズには「グリッチ」と呼ばれる過渡的な人工物が含まれており、天体物理学的な信号を模倣したり、その特性を隠蔽したりすることができる。 信号とグリッチの両方の高速かつ正確な再構築は、信頼できる科学的推測に不可欠である。 本研究では、音源に関わらず、干渉計ノイズを超える電力で信号やグリッチを再構成する深層学習フレームワークDeepExtractorを提案する。 本稿では,GW干渉計の固有雑音分布をモデル化するためにDeepExtractorを設計する。 データのノイズ成分を予測および減算することで動作し、クリーンな再構築のみを保持する。 本手法は、入力をクリーンなトレーニング波形に直接マッピングする手法と比較して、任意の信号やグリッチに対して優れた一般化能力を実現する。 我々は,(1)シミュレート・ディテクター・ノイズに注入されたシミュレート・グリッチの再構成,(2)最先端のベイズウェーブ・アルゴリズムとの比較,(3)重力スパイ・データセットからの実データを分析し,LIGOひずみデータからの効果的なグリッチ・サブトラクションを示す3つの実験により,DeepExtractorの有効性を検証した。 DeepExtractorは、シミュレーショングリッチに対して0.9%の中央値のミスマッチを達成し、いくつかのディープラーニングベースラインを上回っている。 さらに、DeepExtractorはGlitchリカバリでBayesWaveを上回り、1つのglitchサンプルをアロックスで再構築することで、劇的な計算スピードアップを提供する。 BayesWaveの処理時間と比較すると、CPUでは0.1秒である。 1グリッチあたり1時間

関連論文リスト

• Unsupervised Learning Approach to Anomaly Detection in Gravitational Wave Data [0.0]
  本稿では,変分オートエンコーダ(VAE)を用いた教師なし異常検出手法を提案し,重力波(GW)データを解析する。 VAEはGW信号などの異常信号の再構成に失敗しながらノイズ入力を正確に再構成する。 この研究は、VAEをGWデータ中の異常を識別するための堅牢で教師なしのアプローチとして紹介し、物理学における既知の新しい現象を検知するためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-11-29T03:18:40Z)
• 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)
• 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)
• A Machine Learning approach for correcting radial velocities using physical observables [0.0]
  シミュレーションと実データを用いて、恒星の活動を自由なドップラーで測定するディープニューラルネットワーク手法の能力について検討する。 RV非依存的アプローチは、既知の物理的効果から急激なドップラー変動を大幅に低減できることを示す。 観測された変動率と補正の一致をよく観察するが,ノイズ低減はシミュレーションほど良くないことがわかった。
  論文  参考訳（メタデータ） (2023-01-30T13:25:00Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• 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)
• A novel multi-layer modular approach for real-time fuzzy-identification of gravitational-wave signals [0.0]
  本稿では,音声処理技術に触発された重力波のリアルタイム検出のための新しい階層化フレームワークを提案する。 本稿では,フレームワークの基本概念と,最初の3つのレイヤの導出について述べる。 畳み込みニューラルネットワークのようなより複雑なアプローチと比較して、我々のフレームワークは精度が低い。
  論文  参考訳（メタデータ） (2022-06-13T09:48:38Z)
• On the Frequency Bias of Generative Models [61.60834513380388]
  我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。 既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。 以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2021-11-03T18:12:11Z)
• 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)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)

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。