論文の概要: The Sound of Noise: Leveraging the Inductive Bias of Pre-trained Audio Transformers for Glitch Identification in LIGO

• arxiv url: http://arxiv.org/abs/2601.20034v1
• Date: Tue, 27 Jan 2026 20:16:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.649731
• Title: The Sound of Noise: Leveraging the Inductive Bias of Pre-trained Audio Transformers for Glitch Identification in LIGO
• Title（参考訳）: 騒音の音:LIGOにおける事前学習音声変換器のインダクティブバイアスの活用
• Authors: Suyash Deshmukh, Chayan Chatterjee, Abigail Petulante, Tabata Aira Ferreira, Karan Jani,
• Abstract要約: 過渡的なノイズアーティファクト(グリッチ)は重力波干渉計(GW)の感度を制限する。 現在のグリッチ分類法は、ラベル付きデータセットを使用してスクラッチから訓練された教師付きモデルに依存している。 本稿では,GWひずみデータを音声処理のレンズで処理する新しいクロスドメインフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transient noise artifacts, or glitches, fundamentally limit the sensitivity of gravitational-wave (GW) interferometers and can mimic true astrophysical signals, particularly the short-duration intermediate-mass black hole (IMBH) mergers. Current glitch classification methods, such as Gravity Spy, rely on supervised models trained from scratch using labeled datasets. These approaches suffer from a significant ``label bottleneck," requiring massive, expertly annotated datasets to achieve high accuracy and often struggling to generalize to new glitch morphologies or exotic GW signals encountered in observing runs. In this work, we present a novel cross-domain framework that treats GW strain data through the lens of audio processing. We utilize the Audio Spectrogram Transformer (AST), a model pre-trained on large-scale audio datasets, and adapt it to the GW domain. Instead of learning time-frequency features from scratch, our method exploits the strong inductive bias inherent in pre-trained audio models, transferring learned representations of natural sound to the characterization of detector noise and GW signals, including IMBHs. We validate this approach by analyzing strain data from the third (O3) and fourth (O4) observing runs of the LIGO detectors. We used t-Distributed Stochastic Neighbor Embedding (t-SNE), an unsupervised clustering technique, to visualize the AST-derived embeddings of signals and glitches, revealing well-separated groups that align closely with independently validated Gravity Spy glitch classes. Our results indicate that the inductive bias from audio pre-training allows superior feature extraction compared to traditional supervised techniques, offering a robust, data-efficient pathway for discovering new, anomalous transients, and classifying complex noise artifacts in the era of next-generation detectors.
• Abstract（参考訳）: 過渡的なノイズアーティファクト(グリッチ)は、重力波干渉計(GW)の感度を根本的に制限し、真の天体物理信号、特に短周期中間質量ブラックホール(IMBH)の融合を模倣することができる。 Gravity Spyのような現在のグリッチ分類手法は、ラベル付き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モデルに依存している。 これらのアプローチは「ラベルボトルネック」という重大な問題に悩まされ、高度に精度の高い大量の注釈付きデータセットを必要とし、しばしば新しいグリッチ形態学やエキゾチックなGW信号に一般化するのに苦労する。 本研究では,GWひずみデータを音声処理のレンズで処理する新しいクロスドメインフレームワークを提案する。 我々は,大規模オーディオデータセットを事前学習したモデルであるAudio Spectrogram Transformer(AST)を使用し,それをGWドメインに適応させる。 提案手法は, 学習時周波数特性をスクラッチから学習する代わりに, 事前学習音声モデルに固有の強い帰納バイアスを利用して, 自然音の学習的表現を, IMBHを含む検出器ノイズやGW信号のキャラクタリゼーションに転送する。 LIGO検出器の3回目(O3)および4回目(O4)のひずみデータを解析し,本手法の有効性を検証した。 我々は、教師なしクラスタリング手法であるt-Distributed Stochastic Neighbor Embedding (t-SNE) を用いて、AST由来の信号とグリッチの埋め込みを可視化し、独立に検証されたGravity Spy glitchクラスと密接に整合するよく分離されたグループを明らかにした。 以上の結果から,音声事前学習による帰納バイアスは従来の教師付き手法と比較して優れた特徴抽出が可能であり,次世代検出器の時代には,新しい異常な過渡現象を発見し,複雑なノイズアーティファクトを分類するための堅牢でデータ効率のよい経路が提供されることが示唆された。

関連論文リスト

• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• 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)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches [12.653249139353608]
  クロステンポラル・スペクトログラム・オートエンコーダ (CTSAE) は、重力波グリッチの次元減少とクラスタリングの先駆的な方法である。 メインチャネルのGravitySpy O3データセットをトレーニングし,評価し,クラスタリングタスクにおける優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-04-23T22:54:51Z)
• 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)
• 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)
• 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)
• Training Process of Unsupervised Learning Architecture for Gravity Spy Dataset [2.8555963243398073]
  重力波検出器のデータに現れる過渡ノイズは、しばしば問題を引き起こす。 過渡ノイズは環境や機器と関連していると考えられているため、その分類は、その起源を理解し、検出器の性能を向上させるのに役立つだろう。 前報では、教師なしディープラーニングと変分オートエンコーダと不変情報クラスタリングを組み合わせた、時間周波数2次元画像(分光図)を用いた過渡雑音の分類アーキテクチャを提案する。 先進レーザ干渉計重力波観測装置(Advanced Laser Interferometer Gravitational-Wave Observatory)からなる重力スピーデータセットに,教師なし学習アーキテクチャを適用した。
  論文  参考訳（メタデータ） (2022-08-07T02:51:36Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Unsupervised Learning Architecture for Classifying the Transient Noise of Interferometric Gravitational-wave Detectors [2.8555963243398073]
  非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。 過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。 本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-11-19T05:37:06Z)

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。