用于引力波数据流中故障信号分类的卷积神经网络
广义相对论与量子宇宙学
2023-08-28 v1 天体物理仪器与方法
计算机视觉与模式识别
机器学习
摘要
我们研究使用卷积神经网络（包括现代 ConvNeXt 网络族）对来自 Advanced LIGO 探测器的数据中的瞬态噪声信号（即故障信号，glitches）与引力波进行分类。首先，我们采用监督学习方法，既使用 Gravity Spy 数据集从头训练模型，也通过在该数据集上微调预训练模型来进行迁移学习。其次，我们也探索自监督方法，用自动生成的伪标签预训练模型。我们的结果与该数据集已有结果非常接近，最佳监督（自监督）模型的 F1 分数达 97.18%（94.15%）。我们进一步使用来自 LIGO-Virgo O3 运行的真实引力波信号测试模型。尽管使用先前运行（O1 与 O2）的数据训练，模型仍表现出良好性能，尤其在使用迁移学习时。我们发现迁移学习提升了分数，且除 Gravity Spy 数据集中少于 50 个来自硬件注入的啁啾示例外，无需对任何真实信号训练。这推动了迁移学习不仅用于故障分类，也用于信号分类。
引用
@article{arxiv.2303.13917,
title = {Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams},
author = {Tiago S. Fernandes and Samuel J. Vieira and Antonio Onofre and Juan Calderón Bustillo and Alejandro Torres-Forné and José A. Font},
journal= {arXiv preprint arXiv:2303.13917},
year = {2023}
}
备注
15 pages, 14 figures