推进 Gravity Spy 中的故障分类：面向 Advanced LIGO 第四次观测运行的多视图融合与基于注意力的机器学习方法

地面天文台（如激光干涉引力波天文台（LIGO））首次成功探测到引力波，标志着我们对宇宙认知的重大突破。然而，由于此类观测所需的灵敏度前所未有，引力波探测器也会捕获到被称为故障的干扰噪声源，这些噪声源可能会被误认为是引力波信号或掩盖引力波信号。为解决这一问题，社区科学项目 Gravity Spy 结合人类洞察力与机器学习对 LIGO 数据中的故障进行分类。自 2017 年集成到该项目以来，该机器学习分类器随着时间不断演进，以适应日益增多的故障类别。尽管取得了成功，但在正在进行的 LIGO 第四次观测运行（O4）中，由于其架构的简单性，出现了泛化能力差且无法有效处理多时间窗口输入等局限性。我们提出了一种用于 O4 故障的先进分类器。利用先前观测运行的数据，我们评估了多时间窗口输入的不同融合策略，使用标签平滑来对抗噪声标签，并通过注意力模块生成的权重增强可解释性。我们的新 O4 分类器表现出更好的性能，将提升故障分类水平，助力正在进行的引力波现象探索。