論文の概要: Deep Learning Detection of Beyond-General-Relativity Deviations in Gravitational-Wave Signals: A Detection-Threshold Study with Real LIGO Noise
- arxiv url: http://arxiv.org/abs/2609.19416v1
- Date: Wed, 16 Sep 2026 20:53:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.012493
- Title: Deep Learning Detection of Beyond-General-Relativity Deviations in Gravitational-Wave Signals: A Detection-Threshold Study with Real LIGO Noise
- Title（参考訳）: 重力波信号における一般相対性偏差のディープラーニング検出:実LIGO雑音による検出閾値の検討
- Abstract要約: 重力波信号における一般相対性理論(GR)の偏差の機械学習による検出について検討した。
検出しきい値は$approx 0.25$で、精度は$leq 0.2$の確率から$geq 0.5$の完全分類までスムーズに上昇する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study machine-learning detection of controlled beyond-General-Relativity (beyond-GR) deviations in gravitational-wave signals, using both synthetic aLIGO-PSD noise and real LIGO H1 detector strain. Three deviation families are applied to General-Relativistic inspiral-merger-ringdown waveforms: amplitude modulation, phase modulation, and frequency modulation, each parameterized by a dimensionless strength coefficient $β$. A hybrid classifier combining a one-dimensional convolutional neural network with ten hand-crafted waveform statistics is trained on GR and modified waveforms and tested on a deviation type excluded from training. The central result is a quantitative detectability curve as a function of $β$. Using the real GW150914 strain as a template and real H1 detector noise, we find a detection threshold at $β\approx 0.25$, with accuracy rising smoothly from chance at $β\leq 0.2$ to perfect classification at $β\geq 0.5$. The threshold value is specific to the quadratic-in-time modulation form adopted here and should not be interpreted as a generic constraint on beyond-GR parameters. We nevertheless argue that the negative result at small $β$ is informative: it establishes a quantitative limit on machine-learning-only beyond-GR searches in real detector noise, in the absence of matched-filter signal extraction.
- Abstract（参考訳）: 我々は,ALIGO-PSDノイズと実LIGO H1検出ひずみの両方を用いて,重力波信号の一般相対性率(Beyond-GR)偏差制御の機械学習による検出について検討した。
振幅変調, 位相変調, 周波数変調の3つの偏差系を一般相対論的非相対論的連星リングダウン波形に適用し, それぞれが非次元強度係数$β$でパラメータ化される。
1次元畳み込みニューラルネットワークと10個の手作り波形統計値を組み合わせたハイブリッド分類器をGRおよび修正波形で訓練し、トレーニングから除外された偏差型で試験する。
中心的な結果は、$β$の関数としての定量的検出可能性曲線である。
実 GW150914 ひずみをテンプレートと実 H1 検出器ノイズとして用いると、検出しきい値が$β\approx 0.25$で、精度が$β\leq 0.2$ から$β\geq 0.5$ まで滑らかに上昇する。
しきい値はここで採用されている2次時間変調形式に特有であり、GRパラメータを超越した一般的な制約として解釈するべきではない。
それにもかかわらず、小さな$β$での負の結果は情報的であり、一致したフィルタ信号の抽出がない状態では、実際の検出器ノイズにおける機械学習のみのGR探索の量的制限を定めている。
関連論文リスト
- Survey of Novel Deep Learning Architectures for Denoising Gravitational-wave Signals [0.0]
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。
論文 参考訳（メタデータ） (2026-09-07T18:00:10Z) - Federated learning with heavy-tailed gradient noise and communication noise: a variance-reduction based algorithm [7.852384021898989]
Federated Learning(FL)は、データ分散とプライベートを維持しながら、ローカルデバイスがグローバルモデルを共同でトレーニングすることを可能にする、新興の分散機械学習パラダイムである。
我々は,無線モノのインターネット上での通信ノイズの重畳状況において,FLのための凸尾型ノイズ低減アルゴリズムであるVRA-FedSGDを提案する。
VRA-FedSGDは、重い通信ノイズを抑制するために、運動量削減と還元還元集約機構を利用する。
論文 参考訳（メタデータ） (2026-06-21T12:18:43Z) - Spectral Signatures of Data Quality: Eigenvalue Tail Index as a Diagnostic for Label Noise in Neural Networks [0.0]
ニューラルネットワークの重み行列のスペクトル特性がテスト精度を予測できるかどうかを検討する。
制御されたラベルノイズの下では、ネットワークのボトルネック層における固有値分布のテール指数アルファは、残響R2 = 0.984(21ノイズレベル、3シードレベル)でテスト精度を予測する。
我々は,この署名の軌跡として情報処理ボトルネック層を同定し,ランダム行列モデルにおけるBBP相転移と観測を結びつける。
論文 参考訳（メタデータ） (2026-03-29T21:53:24Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - Zero-Shot Detection of Elastic Transient Morphology Across Physical Systems [0.0]
干渉ひずみの過渡度から学習した表現は、未知のセンサのモルフォロジーに敏感な演算子として機能することを示す。
非ガウス楽器のグリッチを専門に訓練したニューラルエンコーダを用いて、圧延要素の軸受に対して厳密なゼロショット異常解析を行う。
論文 参考訳（メタデータ） (2026-01-16T16:35:07Z) - DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability
Curvature [143.5381108333212]
大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。
次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。
我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
論文 参考訳（メタデータ） (2023-01-26T18:44:06Z) - LSTM and CNN application for core-collapse supernova search in
gravitational wave real data [0.0]
コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の干渉計によって検出される重力波信号を放出することが期待されている。
実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類のための機械学習(ML)の可能性を示す。
論文 参考訳（メタデータ） (2023-01-23T12:12:33Z) - 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) - 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) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳（メタデータ） (2020-06-22T16:43:35Z) - Sample Complexity Bounds for 1-bit Compressive Sensing and Binary Stable
Embeddings with Generative Priors [52.06292503723978]
生成モデルを用いた圧縮センシングの進歩により, 生成モデルを用いた1ビット圧縮センシングの問題点を考察した。
まずノイズのない1ビット測定を考察し, ガウス測度に基づく近似回復のためのサンプル複雑性境界を提供する。
また,リプシッツ連続生成モデルを用いた1ビット圧縮センシングにも有効であることを示すため,評価誤差と雑音に対する再構成の堅牢性を示すBinary $epsilon$-Stable Embedding特性を実証した。
論文 参考訳（メタデータ） (2020-02-05T09:44:10Z)
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。