論文の概要: Deterministic denoising of long-duration gravitational-wave signal candidates with $α$-(de)blending
- arxiv url: http://arxiv.org/abs/2609.15308v1
- Date: Mon, 14 Sep 2026 09:57:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 06:58:38.347691
- Title: Deterministic denoising of long-duration gravitational-wave signal candidates with $α$-(de)blending
- Title(参考訳): 長周期重力波信号候補の$α$-(de)フレージングによる決定論的分解
- Abstract要約: 回転する中性子星からの連続重力波に対する全スキー探索から候補信号を識別する機械学習手法を提案する。
時間領域$F$-statistic Searchパイプラインを使用して、結果の$F(f,dotf)$ candidateパターンを反復$$-(de)blendingで後処理します。
本手法は, 信号対雑音比$gtrsim 4$, 通常のオールスキー検出閾値より適度に低い, 正確なスカイポジション依存パターンを復元する。
- 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: We present a deterministic machine-learning method for denoising candidate signals from all-sky searches for continuous gravitational waves from rotating neutron stars. Using the time-domain $F$-statistic search pipeline, we post-process the resulting $F(f,\dot{f})$ candidate patterns with iterative $α$-(de)blending, a deterministic diffusion-type generative model implemented as a U-Net, well suited to the non-Gaussian, correlated noise of the $F$-statistic output. Two models, trained on data based on simulated 6- and 12-day time-domain segments with software-injected signals similar to the LVK hardware injections, are tested by comparing deblended images to the library of expected signal patterns via the Structural Similarity Index Measure. In general the method recovers the correct sky-position-dependent pattern for signal-to-noise ratios $ρ\gtrsim 4$, moderately below typical all-sky detection thresholds, with recovery depending strongly on pattern morphology, demonstrating that deterministic diffusion-based denoising may serve as a consistency/veto tool ahead of the semi-coherent coincidence stage. We also discuss limitations and possible improvements of the method.
- Abstract(参考訳): 回転する中性子星からの連続重力波に対する全スキー探索から候補信号を復調する決定論的機械学習手法を提案する。
時間領域の$F$-statistic Searchパイプラインを用いて、結果の$F(f,\dot{f})$ candidate pattern with iterative $α$-(de)blending, a deterministic diffusion-type generative model implemented as a U-Net, well fit to the non-Gaussian, correlation noise of the $F$-statistic output。
LVKハードウェアインジェクションに類似したソフトウェアインジェクションによる6日間と12日間のタイムドメインセグメントを模擬したデータに基づいてトレーニングされた2つのモデルについて,構造化類似度指標による予測信号パターンのライブラリと比較実験を行った。
一般に,信号対雑音比の正しいスカイポジション依存パターンを$ρ\gtrsim 4$, 典型的なオールスキー検出しきい値より適度に低く復元し, パターン形態に強く依存し, 決定論的拡散に基づくデノナイジングが半コヒーレントな偶然段階に先立って整合・拒否ツールとして機能することを示した。
また,本手法の限界と改善の可能性についても論じる。
関連論文リスト
- Fast and Scalable Analytical Diffusion [43.4234198410875]
解析的拡散モデルは、デノナイジングスコアを経験的ベイズ平均として定式化することにより、生成モデルへの数学的に透過的な経路を提供する。
標準定式化では、すべてのタイムステップでフルデータセットのスキャンを必要とし、データセットサイズと線形にスケーリングする。
我々は,データセットサイズから推論を分離するトレーニングフリーフレームワークであるDynamic Time-Aware Golden Subset Diffusion (GoldDiff)を提案する。
論文 参考訳(メタデータ) (2026-02-18T14:41:09Z) - G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。
複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。
G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
論文 参考訳(メタデータ) (2025-10-02T12:57:12Z) - SHAMaNS: Sound Localization with Hybrid Alpha-Stable Spatial Measure and Neural Steerer [15.912593536596267]
本稿では、観測信号に対する$alpha$-stableモデルと、ステアリングベクトルをモデル化するためのニューラルネットワークに基づくアプローチを組み合わせた、音源定位(SSL)手法について述べる。
具体的には、ニューラルネットワーク(Neural Steerer)と呼ばれる物理インフォームドニューラルネットワークを用いて、測定されたステアリングベクトル(SV)を固定されたマイクロフォンアレイ上に補間する。
提案手法は,複数音源の場合の最先端手法より優れる。
論文 参考訳(メタデータ) (2025-06-23T13:11:29Z) - Noise Conditional Variational Score Distillation [60.38982038894823]
騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。
この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
論文 参考訳(メタデータ) (2025-06-11T06:01:39Z) - Test-Time Scaling of Diffusion Models via Noise Trajectory Search [10.8507840358202]
我々は,デミキシングの中間段階において,極端時間と局所的なエクスプロイトをグローバルに探索する$epsilon$-greedy検索アルゴリズムを導入する。
EDMと安定拡散の実験は、クラス条件/テキスト-画像生成のための最先端スコアを明らかにする。
論文 参考訳(メタデータ) (2025-05-24T19:13:29Z) - 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) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics
and Extract Noise Probability Distributions from Data [4.996878640124385]
SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。
自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。
本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
論文 参考訳(メタデータ) (2020-09-12T23:52:25Z) - Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating
Back-Propagation for Saliency Detection [54.98042023365694]
本稿では,ノイズを考慮したエンコーダ・デコーダ・フレームワークを提案する。
提案モデルはニューラルネットワークによってパラメータ化された2つのサブモデルから構成される。
論文 参考訳(メタデータ) (2020-07-23T18:47:36Z)
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。