論文の概要: Identifiability Limits of Gravitational Wave Phase Deviations: Multiclass Classification with a Multihead Neural Network

• arxiv url: http://arxiv.org/abs/2609.31993v1
• Date: Fri, 25 Sep 2026 20:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:03:02.69711
• Title: Identifiability Limits of Gravitational Wave Phase Deviations: Multiclass Classification with a Multihead Neural Network
• Title（参考訳）: 重力波位相偏差の同定可能性限界:マルチヘッドニューラルネットワークを用いたマルチクラス分類
• Abstract要約: 分類と回帰ヘッドを有するニューラルネットワークを用いて, 重力波位相偏差の同定について検討した。 ネットワーク入力は、波形ミスマッチの波形に対する感度を定量化する応答関数である。
• 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 how well gravitational-wave phase deviations can be identified using a neural network with classification and regression heads. The classification head distinguishes general relativity (GR) from six parametrized post-Einsteinian phase families with exponents $b\in\{-7,-5,-3,-1,+1,+2\}$; the regression head predicts the logarithm of the coupling magnitude, $\log_{10}|β|$. The network input is a response function quantifying the sensitivity of waveform mismatch to waveform deformations. We use stationary Gaussian noise with the Advanced LIGO design spectrum for 262 sources and a measured Hanford spectrum from the third observing run (O3) for 132 sources, and also test injections into recorded Hanford strain. On the two Gaussian datasets, the network identifies the exponent of deviations clearly above the noise with accuracies of $0.427$ and $0.329$. To interpret these results, we compare the network with an approximate classifier built from predicted waveform residuals for the six phase families and same sources. The two classifiers often confuse the same families. Examining residuals left by different phase corrections, we link these errors to similarities between the underlying deviations. On selected recorded Hanford strain, networks trained on simulated or recorded noise achieve overall classification accuracies close to those on simulated Hanford noise. Of thirteen neural-network variants tested on the Advanced LIGO design dataset, the recurrent network has the highest mean classification accuracy for loud deviations, although all variants remain below the approximate classifier. The network nearly matches that classifier's accuracy, indicating that identification is limited by similarities between neighboring phase families rather than by the network, for known intrinsic source parameters.
• Abstract（参考訳）: 分類と回帰ヘッドを有するニューラルネットワークを用いて, 重力波位相偏差の同定について検討した。 分類ヘッドは、一般的な相対性度(GR)を、指数$b\in\{-7,-5,-3,-1,+1,+2\}$の6つのパラメトリケート後アインシュタイン相族と区別し、回帰ヘッドは結合度、$\log_{10}|β|$の対数を予測する。 ネットワーク入力は、波形ミスマッチの波形変形に対する感度を定量化する応答関数である。 定常ガウス雑音と,262源の先進LIGO設計スペクトル,132源の第3観測ラン(O3)から測定したハンフォードスペクトルと,記録したハンフォードひずみへの試験注入を用いた。 2つのガウスデータセットにおいて、ネットワークは、0.427$と0.329$のアキュラシーを持つノイズよりも明らかに高い偏差の指数を識別する。 これらの結果を解釈するために,6相および同一音源の予測波形残差から構築した近似分類器とネットワークを比較した。 2つの分類器は、しばしば同じ家族を混乱させる。 異なる位相補正によって残される残差を調べた結果、これらの誤差は基礎となる偏差の類似性とリンクする。 選択されたハンフォードひずみに対して、模擬または記録されたノイズで訓練されたネットワークは、シミュレーションされたハンフォードノイズに近い全体的な分類精度を達成する。 Advanced LIGO設計データセットで検証された13のニューラル・ネットワーク変種のうち、リカレント・ネットワークは大きな偏差に対する平均分類精度が最も高いが、全ての変種は近似分類器の下にある。 ネットワークは、その分類器の精度とほぼ一致し、同定は、ネットワークによってではなく、近隣の位相族間の類似性によって制限されていることを示す。

関連論文リスト

• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• 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)
• FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System [0.30586855806896046]
  本研究では,リアルタイム電流データを用いた自動故障解析のためのトランスフォーマーエンコーダアーキテクチャを提案する。 フォールトXformerは、断層型分類で98.76%、断層位置同定で98.92%の平均的な精度を達成した。
  論文  参考訳（メタデータ） (2026-02-27T18:28:12Z)
• Combining Gradients and Probabilities for Heterogeneous Approximation of Neural Networks [2.5744053804694893]
  近似乗算器の挙動シミュレーションのための代理モデルとして,加法的ガウス雑音の有効性について検討する。 バックプロパゲーションを用いたネットワークトレーニングにおいて、正確な計算に注入されるノイズの量について学習する。 実験により,不均一近似とニューラルネットワーク再学習の組み合わせは,変種に対するエネルギー消費を減少させることが示された。
  論文  参考訳（メタデータ） (2022-08-15T15:17:34Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Multiclass classification of dephasing channels [12.625270928150035]
  単一量子デファスチャネルの環境パラメータの分類におけるニューラルネットワーク(NN)の利用に対処する。 どちらの場合も、NNはノイズレスデータを使ってパラメータを正確に16のクラスに分類できることがわかった。 ノイズの多いデータが存在する場合、ネットワークは1/アルファノイズの色を約70%の精度で16のクラスに分類することができる。
  論文  参考訳（メタデータ） (2021-08-03T15:31:28Z)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Provable Generalization of SGD-trained Neural Networks of Any Width in the Presence of Adversarial Label Noise [85.59576523297568]
  勾配降下法により学習した任意の幅の1層リークReLUネットワークを考察する。 sgdは,分布上の最良半空間に匹敵する分類精度を持つニューラルネットワークを生成できることを実証する。
  論文  参考訳（メタデータ） (2021-01-04T18:32:49Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Method for classifying a noisy Raman spectrum based on a wavelet transform and a deep neural network [0.0]
  エンジンは2基の主エンジンで構成されている。 1次元ラマンスペクトルを2次元データに変換するためのフレームワークフロントエンドとしてウェーブレット変換を提案する。 最適分類器は、いくつかの従来の機械学習(ML)アルゴリズムとディープラーニング(DL)アルゴリズムを実装することで選択される。
  論文  参考訳（メタデータ） (2020-09-09T02:31:23Z)

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。