論文の概要: Missed Detections and False Alarms in a CNN Technosignature Detector on Breakthrough Listen Data

• arxiv url: http://arxiv.org/abs/2610.22050v1
• Date: Thu, 15 Oct 2026 15:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.145235
• Title: Missed Detections and False Alarms in a CNN Technosignature Detector on Breakthrough Listen Data
• Title（参考訳）: ブレークスルー聴取データを用いたCNNテクノシグナチャ検出器における誤り検出と偽警報
• Abstract要約: テクノシグナチャサーチは 機械学習検出器を使って 候補プールを縮小する 人間がそれを見る前に 10つの形態と5つの振幅で1万5000回の噴射を行いました。 1つの干渉形態は0.627の偽陽性率に達し、検出器の本来の信号に対するベースラインリコールの0.5525に匹敵する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radio technosignature searches rely on machine learning detectors to shrink the candidate pool before a human looks at it. They are validated on held-out data from the training distribution, which excludes the cases where they are most likely to fail: a technosignature has unknown morphology, and terrestrial interference is unbounded in variety. I trained a standard competition detector once, froze it, and probed it with 15,000 injections across ten morphologies and five amplitudes, placed into real Green Bank backgrounds. Two directions were tested: genuine signals with morphologies other than a straight narrowband line, and interference resembling the training data. Recall did not follow the predicted ordering, and it fell as signals brightened, even for a needle of the kind the detector was trained on (from 0.590 to 0.090). One interference morphology reached a false positive rate of 0.627, comparable to the detector's own baseline recall of 0.5525 on genuine signals. Gradient-weighted Class Activation Mapping (Grad-CAM) showed attention along the injected path in one missed family by a pre-specified test, and visually in a second. A pre-specified, time-averaged ON-OFF filter removed false alarms and genuine detections at the same rate. The detector reads only the ON panels. Since the only evidence distinguishing a genuine candidate from terrestrial interference lies in the discarded OFF panels, it cannot tell if a signal originates from the target star; it can only tell if it resembles the training data. This explains the false alarm directly; the missed signals reflect what the detector learned to recognise, which reading the OFF panels would not by itself change.
• Abstract（参考訳）: 電波技術者による検索は、人間がそれを見る前に、機械学習検出器を使って候補プールを縮小する。 それらはトレーニング分布からの保持されたデータに基づいて検証され、それは最も失敗する可能性が高いケースを除外する。 私はかつて、標準的な競争検知器を訓練し、凍らせ、10つの形態と5つの振幅に15,000回の注入を行い、実際のグリーンバンクの背景に配置した。 2つの方向がテストされた: ストレートな狭帯域線以外の形態を持つ真の信号と、トレーニングデータに類似した干渉である。 リコールは予測された順序に従わなかったが、信号が明るくなり、検出器が訓練した種類の針(0.590から0.090まで)でさえも低下した。 1つの干渉形態は0.627の偽陽性率に達し、検出器の本来の信号に対するベースラインリコールの0.5525に匹敵する。 Grad-CAM (Grad-CAM) では, 欠失家族の注入経路に沿って, 事前に特定された検査で注意を向け, 視覚的に1秒で注意を向けた。 事前に特定された平均値のON-OFFフィルタは、誤報と真の検出を同時に除去した。 検出器はONパネルのみを読み込む。 真の候補と地球上の干渉を区別する唯一の証拠は、捨てられたOFパネルにあるため、信号がターゲット星に由来するかどうかを判断できない。 これは誤報を直接説明し、検知器が認識したことを反映し、OFパネルを読むとそれ自身は変化しない。

関連論文リスト

• Prompt-Injection Probes Learn the Conversation, Not Just the Injection [4.0712351781379255]
  モデルに隠された状態の線形プローブは、間接的なプロンプトインジェクションのための安価なモニターとして使用される。 トレーニングアプリケーションでは、トレーニングデータのみを変更することで、誤ったアラームが41～80%から4～27%に削減される。 新しいアプリケーションでは、誤報は低いが、検出はモデルやしきい値の設定方法によって異なる。
  論文  参考訳（メタデータ） (2026-10-13T13:51:06Z)
• What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule [6.145872664954402]
  異常検知器は、しばしばサイバー物理システムの最後の防御線である。 これらの検出器は通常、単一の動作点における精度、リコール、F1を用いて比較される。 我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。 我々は,3つのCPSベンチマーク(SWaT,WADI,HAI)の5つの検出器を評価した。
  論文  参考訳（メタデータ） (2026-08-03T19:35:00Z)
• Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection [14.738453379093961]
  生成検証において、独立生成モデルは、予測ボックス内の画素から検出されたラベルを再導出する。 交換された箱、背景の箱、間違ったラベルを持つ正しい箱は、すべて検証に失敗する作物を生み出します。 検証器は検出器の信頼性を決して観測しないため、確実な誤り検出が最高となる。
  論文  参考訳（メタデータ） (2026-07-28T20:10:23Z)
• Distance to Class Prototypes: Active Learning for Object Detection [14.738453379093961]
  新しい環境でのディープオブジェクト検出器は、その設定からデータに注釈をつけるコストよりも、アーキテクチャによって制限される。 アクティブラーニングは、ラベル付けする画像を選択することでコストを下げる。 我々は、あるネットワークの1つの前方通過からまだ読み取っていない後部よりもリッチな信号を提案する。
  論文  参考訳（メタデータ） (2026-07-28T06:12:45Z)
• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
  我々は、最先端のOOD検出方法20について詳しく検討する。 不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-02T09:40:22Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)
• Non-Intrusive Detection of Adversarial Deep Learning Attacks via Observer Networks [5.4572790062292125]
  近年の研究では、深層学習モデルは逆入力に弱いことが示されている。 本稿では,主分類網を複数のバイナリ検出器で拡張することにより,逆入力を検出する新しい手法を提案する。 我々は、MNISTデータセットで99.5%、CIFAR-10データセットで97.5%の精度で検出する。
  論文  参考訳（メタデータ） (2020-02-22T21:13:00Z)

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。