深度迁移学习：一种用于 advanced LIGO 的深度学习故障分类新方法
广义相对论与量子宇宙学
2018-07-15 v1 天体物理仪器与方法
计算机视觉与模式识别
机器学习
神经与进化计算
摘要
advanced LIGO 探测器极高的灵敏度使其能够探测到多个引力波信号。这些探测器复杂的设计减轻了大多数类型噪声的影响。然而，advanced LIGO 数据流受到被称为故障的众多伪影的污染：具有复杂形态的非高斯噪声瞬变。鉴于其高发生率，故障可能导致虚假的符合探测，掩盖甚至模仿引力波信号。因此，成功地表征并从 advanced LIGO 数据中移除故障至关重要。在此，我们首次将深度迁移学习应用于故障分类，表明从为现实世界物体识别训练的深度学习算法中获取的知识，可以基于其频谱图图像迁移用于时间序列中的故障分类。使用包含从真实 LIGO 数据获得的手工标注、多时长频谱图的 Gravity Spy 数据集，我们证明了该方法能够在给定小训练数据集的情况下最优地利用极深卷积神经网络进行分类，显著减少了训练网络的时间，并实现了 98.8% 以上的 SOTA 精度，在 22 个类别中的 8 个类别上具有完美的精确率-召回率。此外，使用该技术可以在给定少量标注样本的情况下准确分类新型故障。我们表明，一旦通过迁移学习进行训练，卷积神经网络就可以被截断并用作无监督聚类方法的优秀特征提取器，以在没有任何标注样本的情况下根据其形态识别新类别。因此，这为引力波探测器的动态故障分类提供了一个新框架，这些探测器在逐步改进以达到设计灵敏度的过程中预计会遇到新型噪声。
引用
@article{arxiv.1706.07446,
title = {Deep Transfer Learning: A new deep learning glitch classification method for advanced LIGO},
author = {Daniel George and Hongyu Shen and E. A. Huerta},
journal= {arXiv preprint arXiv:1706.07446},
year = {2018}
}