論文の概要: DeepGrav: Anomalous Gravitational-Wave Detection Through Deep Latent Features
- arxiv url: http://arxiv.org/abs/2503.03799v2
- Date: Sun, 16 Mar 2025 01:37:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 21:00:40.872143
- Title: DeepGrav: Anomalous Gravitational-Wave Detection Through Deep Latent Features
- Title（参考訳）: DeepGrav:Deep Latent機能による重力波の異常検出
- Authors: Jianqi Yan, Alex P. Leung, Zhiyuan Pei, David C. Y. Hui, Sangin Kim,
- Abstract要約: この研究は、重力波異常検出のための新しい深層学習に基づくアプローチを導入している。
ResNetにインスパイアされた畳み込みニューラルネットワークアーキテクチャを使用している。
NSF HDR A3D3: Detecting Anomalous Gravitational Wave Signals competition。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: This work introduces a novel deep learning-based approach for gravitational wave anomaly detection, aiming to overcome the limitations of traditional matched filtering techniques in identifying unknown waveform gravitational wave signals. We introduce a modified convolutional neural network architecture inspired by ResNet that leverages residual blocks to extract high-dimensional features, effectively capturing subtle differences between background noise and gravitational wave signals. This network architecture learns a high-dimensional projection while preserving discrepancies with the original input, facilitating precise identification of gravitational wave signals. In our experiments, we implement an innovative data augmentation strategy that generates new data by computing the arithmetic mean of multiple signal samples while retaining the key features of the original signals. In the NSF HDR A3D3: Detecting Anomalous Gravitational Wave Signals competition, it is honorable for us (group name: easonyan123) to get to the first place at the end with our model achieving a true negative rate (TNR) of 0.9708 during development/validation phase and 0.9832 on an unseen challenge dataset during final/testing phase, the highest among all competitors. These results demonstrate that our method not only achieves excellent generalization performance but also maintains robust adaptability in addressing the complex uncertainties inherent in gravitational wave anomaly detection.
- Abstract（参考訳）: 本研究は、未知の波形重力波信号の同定における従来のマッチングフィルタリング手法の限界を克服することを目的とした、重力波異常検出のための新しいディープラーニングベースのアプローチを導入する。
ResNetにインスパイアされた畳み込みニューラルネットワークアーキテクチャを導入し、残差ブロックを利用して高次元特徴を抽出し、背景雑音と重力波信号の微妙な差異を効果的に捉える。
このネットワークアーキテクチャは、元の入力と不一致を保ちながら高次元の投影を学習し、重力波信号の正確な識別を容易にする。
本実験では,複数の信号サンプルの算術平均を計算し,元の信号の特徴を保ちながら,新しいデータを生成する革新的なデータ拡張戦略を実装した。
NSF HDR A3D3: Detecting Anomalous Gravitational Wave Signals competition, it is honorable for us (group name: easonyan123) to get the first place at the end with our model, achieve a true negative rate (TNR) of 0.9708 during development/validation phase and 0.9832 on a unseen Challenge dataset during final/testing phase, the highest among all other。
これらの結果は,本手法が優れた一般化性能を達成するだけでなく,重力波異常検出に固有の複雑な不確実性に対処するための堅牢な適応性も維持できることを示す。
関連論文リスト
- DeepExtractor: Time-domain reconstruction of signals and glitches in gravitational wave data with deep learning [2.637315570643508]
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。
論文 参考訳（メタデータ） (2025-01-30T15:25:30Z) - A Neural Network-Based Search for Unmodeled Transients in LIGO-Virgo-KAGRA's Third Observing Run [0.5857761499059161]
本稿では, LIGO, Virgo, KAGRAの3回観測結果から, ニューラルネットワークを用いた短周期重力波トランジェント探索の結果について述べる。
探索は、30-1500Hzの周波数帯域でミリ秒から数秒間、受信信号の方向、偏光、形態について仮定することなく、未モデル化のトランジェントをターゲットにしている。
論文 参考訳（メタデータ） (2024-12-27T19:00:01Z) - 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) - RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。
まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。
第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。
第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
論文 参考訳（メタデータ） (2024-09-13T13:53:41Z) - WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - 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) - 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) - Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。
ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
論文 参考訳（メタデータ） (2021-07-27T09:56:49Z) - 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) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z)
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。