利用分层神经网络提升参数化探测效率
天体物理仪器与方法
2022-10-05 v1 机器学习
广义相对论与量子宇宙学
摘要
引力波天文学是一个充满活力的领域，它利用经典与现代数据处理技术来理解宇宙。人们已提出多种方法来提升探测方案的效率，其中分层匹配滤波是一项重要策略。同时，深度学习方法近期既展现出与匹配滤波方法的一致性，又表现出卓越的统计性能。在这项工作中，我们提出分层探测网络(HDN)，一种结合分层匹配与深度学习思想的高效探测新方法。该网络使用一种新颖的损失函数进行训练，该函数同时编码了统计精度与效率的目标。我们讨论了所提模型的复杂度降低来源，并描述了一种以各层专攻不同区域进行初始化的通用方案。我们利用开放的 LIGO 数据与合成注入实验展示了 HDN 的性能，并观察到在相等错误率 下，两层模型相较匹配滤波获得了 的效率增益。此外，我们展示了如何用两层模型初始化训练三层 HDN 可进一步提升精度与效率，凸显了多个简单层在高效探测中的威力。
引用
@article{arxiv.2207.11583,
title = {Boosting the Efficiency of Parametric Detection with Hierarchical Neural Networks},
author = {Jingkai Yan and Robert Colgan and John Wright and Zsuzsa Márka and Imre Bartos and Szabolcs Márka},
journal= {arXiv preprint arXiv:2207.11583},
year = {2022}
}