論文の概要: Advancing RFI-Detection in Radio Astronomy with Liquid State Machines

• arxiv url: http://arxiv.org/abs/2504.09796v1
• Date: Mon, 14 Apr 2025 01:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:53:21.397055
• Title: Advancing RFI-Detection in Radio Astronomy with Liquid State Machines
• Title（参考訳）: 液体機械を用いた電波天文学におけるRFI検出の促進
• Authors: Nicholas J Pritchard, Andreas Wicenec, Mohammed Bennamoun, Richard Dodson,
• Abstract要約: 人為的な電波源からの電波周波数干渉(RFI)は、現在および将来の電波望遠鏡に重大な課題をもたらす。 本研究では、スパイクネットワークのクラスであるLiquid State Machines (LSMs) をRFI検出に適用する。 我々は、RFI検出の既知のベンチマークであるHyrogen Epoch of Reionization Array (HERA)から得られたシミュレーションデータに基づいてLSMを訓練する。 本モデルでは,画素あたり98%の精度,F1-Integrate 0.743の精度を実現し,この高い課題に対する競合性能を示す。
• 参考スコア（独自算出の注目度）: 25.08630315149258
• License:
• Abstract: Radio Frequency Interference (RFI) from anthropogenic radio sources poses significant challenges to current and future radio telescopes. Contemporary approaches to detecting RFI treat the task as a semantic segmentation problem on radio telescope spectrograms. Typically, complex heuristic algorithms handle this task of `flagging' in combination with manual labeling (in the most difficult cases). While recent machine-learning approaches have demonstrated high accuracy, they often fail to meet the stringent operational requirements of modern radio observatories. Owing to their inherently time-varying nature, spiking neural networks (SNNs) are a promising alternative method to RFI-detection by utilizing the time-varying nature of the spectrographic source data. In this work, we apply Liquid State Machines (LSMs), a class of spiking neural networks, to RFI-detection. We employ second-order Leaky Integrate-and-Fire (LiF) neurons, marking the first use of this architecture and neuron type for RFI-detection. We test three encoding methods and three increasingly complex readout layers, including a transformer decoder head, providing a hybrid of SNN and ANN techniques. Our methods extend LSMs beyond conventional classification tasks to fine-grained spatio-temporal segmentation. We train LSMs on simulated data derived from the Hyrogen Epoch of Reionization Array (HERA), a known benchmark for RFI-detection. Our model achieves a per-pixel accuracy of 98% and an F1-score of 0.743, demonstrating competitive performance on this highly challenging task. This work expands the sophistication of SNN techniques and architectures applied to RFI-detection, and highlights the effectiveness of LSMs in handling fine-grained, complex, spatio-temporal signal-processing tasks.
• Abstract（参考訳）: 人為的電波源からの電波周波数干渉(RFI)は、現在および将来の電波望遠鏡に重大な課題をもたらす。 RFI検出の現代的アプローチでは、電波望遠鏡分光器のセマンティックセグメンテーション問題として扱われている。 通常、複雑なヒューリスティックアルゴリズムは手動ラベリング(最も難しい場合)と組み合わせて「フラッグ」というこのタスクを処理します。 最近の機械学習アプローチは高い精度を示しているが、現代の電波観測所の厳密な運用要件を満たしていないことが多い。 その本質的に時間変化の性質から、スパイキングニューラルネットワーク(SNN)は、分光源データの時間変化特性を活用することにより、RFI検出に代わる有望な方法である。 本研究では、スパイクニューラルネットワークのクラスであるLiquid State Machines (LSMs) をRFI検出に適用する。 我々は2階のLeaky Integrate-and-Fire(LiF)ニューロンを使用し、このアーキテクチャとニューロン型をRFI検出に初めて利用した。 トランスデコーダヘッドを含む3つのエンコーディング手法と3つの複雑な読み出し層をテストし、SNNとANNの手法のハイブリッドを提供する。 提案手法は, 従来の分類タスクを超えて, 微細な時空間セグメンテーションまで拡張する。 我々は、RFI検出の既知のベンチマークであるHyrogen Epoch of Reionization Array (HERA)から得られたシミュレーションデータに基づいてLSMを訓練する。 本モデルでは,画素あたり98%の精度,F1スコア0.743の精度を実現し,この高い課題に対する競合性能を示す。 この研究は、RFI検出に適用されたSNN技術とアーキテクチャの高度化を拡張し、細粒度で複雑で時空間的な信号処理タスクにおけるLSMの有効性を強調した。

関連論文リスト

• PCA-Featured Transformer for Jamming Detection in 5G UAV Networks [0.5999777817331317]
  無人航空機(UAV)は、ネットワーク機能を損なう可能性のある攻撃を妨害することによる重大なセキュリティリスクに直面している。 従来の検出方法は、動作を動的に変更するAI駆動のジャミングに直面すると、しばしば不足する。 無線セキュリティ向上のための特徴表現を洗練するための新しいU字型トランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:13:04Z)
• Spiking Neural Networks for Radio Frequency Interference Detection in Radio Astronomy [25.08630315149258]
  スパイキングニューラルネットワーク(SNN)は、その動的性質のため、効率的な時間的データ処理を約束する。 本稿では、電波天文学、RFI(Radio Frequency Interference)検出における重要な課題について述べる。 我々は、RF検出性能を向上させるために、分割正規化にインスパイアされた前処理ステップを導入する。 我々の知る限り、この研究はSNNを実際の電波天文学のデータでトレーニングした初めてのものです。
  論文  参考訳（メタデータ） (2024-12-09T01:02:30Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
  本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。 本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。 モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
  論文  参考訳（メタデータ） (2024-11-05T07:01:15Z)
• Supervised Radio Frequency Interference Detection with SNNs [25.08630315149258]
  電波干渉(Radio Frequency Interference、RFI)は、電波望遠鏡によって観測される観測を妨害し、地球や天体から発生する電波天文学において重要な課題である。 電波天文学観測の動的・時間的性質を考えると、スパイキングニューラルネットワーク(SNN)は有望なアプローチとして出現する。 SNN推論のための電波可視データの符号化について,レート,レイテンシ,デルタ変調,ステップフォワードアルゴリズムの3つのバリエーションを考慮した6つの符号化方式について検討した。
  論文  参考訳（メタデータ） (2024-06-10T07:49:51Z)
• RFI Detection with Spiking Neural Networks [25.08630315149258]
  本研究では、スパイキングニューラルネットワーク(SNN)の天文学的データ処理タスク、特にRFI検出への最初の探索的応用について紹介する。 ANN2SNN変換によりSNN実行に最寄りのラテンネーブラーアルゴリズムとオートエンコーダアーキテクチャを適用する。 我々のアプローチは、HERAデータセットのAUROC、AUPRC、F1の既存の手法と競合するが、LOFAR、Tabascalデータセットでは困難である。
  論文  参考訳（メタデータ） (2023-11-24T06:27:08Z)
• Properties and Potential Applications of Random Functional-Linked Types of Neural Networks [81.56822938033119]
  ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。 本稿では周波数領域の観点からRFLNNの特性について考察する。 本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-04-03T13:25:22Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。