論文の概要: Survey of Novel Deep Learning Architectures for Denoising Gravitational-wave Signals

• arxiv url: http://arxiv.org/abs/2609.13272v1
• Date: Mon, 07 Sep 2026 18:00:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.158465
• Title: Survey of Novel Deep Learning Architectures for Denoising Gravitational-wave Signals
• Title（参考訳）: 重力波信号のDenoisingのための新しいディープラーニングアーキテクチャの検討
• Abstract要約: 重力波デノジングのための5つのニューラルネットワークアーキテクチャの制御された最初の比較について述べる。 我々は、全天体物理学的に動機づけられた回転二乗ブラックホールパラメータ空間を同時に訓練する。 ネットワーク構造とコリケーションのスペクトル解剖との整合性は、ブルートフォースモデルスケーリングよりも優れる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gravitational-wave denoising must handle the full diversity of spinning, precessing binaries, since the recovered waveform underpins parameter estimation, tests of general relativity, and population studies. Matched filtering achieves this at a cost that becomes prohibitive as next-generation detectors push event rates higher; deep learning offers real-time reconstruction, but current methods are developed on narrow parameter spaces, precluding principled comparison and reliable deployment. We present the first controlled comparison of five neural-network architectures for gravitational-wave denoising, trained identically across the full astrophysically-motivated spinning binary-black-hole parameter space. A unifying principle emerges: matching network structure to the spectral anatomy of a coalescence -- inspiral, merger, ringdown -- outperforms brute-force model scaling. Our Multi-Scale Frequency-Aware architecture embodies this via dedicated parallel branches per frequency regime, achieving the best fidelity while using fewer parameters than larger models. It generalizes from simulated training to real LIGO-Virgo-KAGRA data without retraining, recovering merger morphology across confirmed events spanning three observing runs and both detectors, despite training on a single detector's simulated noise. We construct population-level uncertainty bands from denoising residuals, validate their calibration, and stress-test the framework on extended mass ratios and a spin population resembling hierarchical-merger remnants. Applied to real noise with no known signal, the network suppresses its output almost everywhere, with rare exceptions traced to noise transients rather than a general weakness -- indicating the statistic discriminates signal from noise and motivating a future detection study. Released weights give a deployable, reproducible benchmark for future extensions.
• Abstract（参考訳）: 重力波のデノゲーションは、回復した波形がパラメータ推定、一般相対性理論のテスト、および集団研究の基盤となるため、回転、先行するバイナリの完全な多様性を扱う必要がある。 深層学習はリアルタイムな再構成を提供するが、現在の手法は、原理的な比較と信頼性のある配置を前提として、狭いパラメータ空間で開発されている。 重力波デノジングのための5つのニューラルネットワークアーキテクチャの最初の制御比較を行った。 ネットワーク構造と、合体、合併、リングダウンのスペクトル解剖との整合性は、ブルートフォースモデルスケーリングよりも優れています。 我々のMulti-Scale Frequency-Awareアーキテクチャは、これを周波数当たりの専用並列分岐によって具現化し、より大きなモデルよりも少ないパラメータを使用しながら、最良の忠実性を達成する。 シミュレーショントレーニングから実際のLIGO-Virgo-KAGRAデータへのリトレーニングなしに一般化し、単一の検出器のシミュレートノイズのトレーニングにもかかわらず、3つの観測ランと両方の検出器にまたがる確認されたイベント間の合併形態を復元する。 人口レベルの不確実性帯は,残基の分解を防ぎ,キャリブレーションを検証し,質量比の拡大と,階層的マーガー残基に類似したスピン集団に関する応力試験を行う。 このネットワークは、一般的な弱点ではなく、ノイズ過渡性に遡る稀な例外で、ノイズから信号を識別し、将来の検出研究を動機付ける。 リリースの重み付けにより、将来の拡張のためのデプロイ可能で再現可能なベンチマークが提供される。

関連論文リスト

• Spectral Gating via Damped Oscillations for Adaptive Implicit Neural Representations [24.706105488382818]
  Inlicit Neural Representation (INR)は、座標ベースのネットワークを通じて連続的な信号を符号化することに成功した。 周期的なアクティベーションは細部を捉えるが、ノイズを記憶するオールパスフィルタとして機能する一方、空間的にコンパクトなアクティベーションは効率よく正規化されるが、低周波バイアスに悩まされる。 本稿では,各ニューロンの活性化を正弦波駆動型減衰振動子の定常応答としてモデル化することを提案する。
  論文  参考訳（メタデータ） (2026-06-22T11:59:47Z)
• Binary Black Hole Parameter Estimation with Hybrid CNN-Transformer Neural Networks [0.27998963147546146]
  機械学習とディープラーニングの最近の進歩は、信号検出とパラメータ推定の両方への応用への関心が高まっている。 本研究では,よく確立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とともにトランスフォーマーエンコーダの有効性を活用するハイブリッドディープラーニング戦略を提案する。 この研究の主な焦点は点推定であり、完全な後続分布ではなく、各パラメータに最も適した1つの値を生成する。
  論文  参考訳（メタデータ） (2026-06-11T22:05:33Z)
• Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
  重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。 マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2026-06-01T15:58:13Z)
• Spike-NVPT: Learning Robust Visual Prompts via Bio-Inspired Temporal Filtering and Discretization [24.554578138499352]
  ノイズロストな視覚的プロンプトチューニング手法であるSpike-NVPTを提案する。 Spike-NVPTは従来の手法よりも最大で11.2%向上した。
  論文  参考訳（メタデータ） (2026-04-20T13:56:57Z)
• 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)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Robust Training under Label Noise by Over-parameterization [41.03008228953627]
  本稿では,トレーニングラベルの比率が低下した分類タスクにおいて,過パラメータ化深層ネットワークの堅牢なトレーニングを行うための原則的手法を提案する。 ラベルノイズはクリーンデータから学んだネットワークと疎結合なので、ノイズをモデル化してデータから分離することを学びます。 注目すべきは、このような単純な手法を用いて訓練を行う場合、様々な実データに対してラベルノイズに対する最先端のテスト精度を示すことである。
  論文  参考訳（メタデータ） (2022-02-28T18:50:10Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• 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)
• Gravitational-wave selection effects using neural-network classifiers [0.0]
  我々は、コンパクトバイナリ・マージから重力波信号のLIGO/Virgo検出性を予測するために、一連のニューラルネットワーク分類器を訓練する。 スピン沈降、高次モード、複数検出器の影響を含める。 我々のアプローチは完全なパイプライン注入と併用できるので、天体物理学とノイズトリガーの実際の分布を重力波の人口分析に含めるための道を開くことができる。
  論文  参考訳（メタデータ） (2020-07-13T18:00:04Z)

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。