論文の概要: VIGILant: an automatic classification pipeline for glitches in the Virgo detector

• arxiv url: http://arxiv.org/abs/2604.13687v1
• Date: Wed, 15 Apr 2026 10:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.480338
• Title: VIGILant: an automatic classification pipeline for glitches in the Virgo detector
• Title（参考訳）: VIGILant:Virgo検出器におけるグリッチの自動分類パイプライン
• Authors: Tiago Fernandes, Francesco Di Renzo, Antonio Onofre, Alejandro Torres-Forné, José A. Font,
• Abstract要約: この研究は、Virgo検出器内のグリッチの分類と視覚化のための自動パイプラインであるVIGILantを導入している。 パイプラインは、O4cの実行を観察して以来、Virgoサイトで毎日運用するためにデプロイされている。
• 参考スコア（独自算出の注目度）: 35.6492311618019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glitches frequently contaminate data in gravitational-wave detectors, complicating the observation and analysis of astrophysical signals. This work introduces VIGILant, an automatic pipeline for classification and visualization of glitches in the Virgo detector. Using a curated dataset of Virgo O3b glitches, two machine learning approaches are evaluated: tree-based models (Decision Tree, Random Forest and XGBoost) using structured Omicron parameters, and Convolutional Neural Networks (ResNet) trained on spectrogram images. While tree-based models offer higher interpretability and fast training, the ResNet34 model achieved superior performance, reaching a F1 score of 0.9772 and accuracy of 0.9833 in the testing set, with inference times of tens of milliseconds per glitch. The pipeline has been deployed for daily operation at the Virgo site since observing run O4c, providing the Virgo collaboration with an interactive dashboard to monitor glitch populations and detector behavior. This allows to identify low-confidence predictions, highlighting glitches requiring further attention.
• Abstract（参考訳）: グリッチは重力波検出器のデータを頻繁に汚染し、天体物理学的な信号の観測と分析を複雑にする。 この研究は、Virgo検出器内のグリッチの分類と視覚化のための自動パイプラインであるVIGILantを導入している。 Virgo O3bグリッチのキュレートデータセットを使用して、構造化されたOmicronパラメータを使用したツリーベースモデル(決定木、ランダムフォレスト、XGBoost)と、分光画像に基づいてトレーニングされた畳み込みニューラルネットワーク(ResNet)の2つの機械学習アプローチを評価する。 ツリーベースモデルは高い解釈可能性と高速トレーニングを提供する一方で、ResNet34モデルはF1スコア0.9772に達し、テストセットの精度は0.9833であり、1グリッチあたりの推測時間は数十ミリ秒であった。 パイプラインは、O4cの実行を観察して以来、Virgoサイトで毎日運用するためにデプロイされている。 これにより、低信頼の予測を特定でき、さらなる注意を要する不具合を強調できる。

関連論文リスト

• Ensemble-Enhanced Graph Autoencoder with GAT and Transformer-Based Encoders for Robust Fault Diagnosis [0.0]
  本研究では,新しい断層分類フレームワークを提案する。 様々な馬力レベルで動作する機械の時系列振動データをグラフ表現に変換する。 ディープグラフ変換器エンコーダ、デコーダ、アンサンブルを備えたグラフオート(GAE)を開発し、潜在グラフ表現を学習し、故障を分類する。
  論文  参考訳（メタデータ） (2025-04-13T04:21:11Z)
• The ROAD to discovery: machine learning-driven anomaly detection in radio astronomy spectrograms [0.3425341633647625]
  電波望遠鏡のための新しい機械学習異常検出フレームワークを提案する。 本稿では,Low Frequency Array (LOFAR) 望遠鏡から7050個の自己相関型スペクトログラムを用いたデータセットを提案する。 我々のシステムはLOFARデータ処理パイプラインのコンテキストにおいてリアルタイムであり、1msで1つのスペクトログラムを処理する必要がある。
  論文  参考訳（メタデータ） (2023-07-03T14:34:27Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• 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)
• Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
  本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。 まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。 センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
  論文  参考訳（メタデータ） (2023-02-24T22:14:39Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Autoencoder based Anomaly Detection and Explained Fault Localization in Industrial Cooling Systems [0.32956425475258266]
  大規模産業用冷却システムにおける異常検出のための自動エンコーダに基づくエンドツーエンドワークフローを提案する。 総復元誤差のしきい値を用いてシステム障害を同定する。 フォールトローカライゼーションでは,個々の再構成誤差を計算する。
  論文  参考訳（メタデータ） (2022-10-14T09:28:49Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。