DeepGrav：通过深度潜在特征进行异常引力波检测
机器学习
2025-03-18 v2 高能天体物理现象
广义相对论与量子宇宙学
摘要
本工作提出了一种新颖的基于深度学习的方法用于引力波异常检测，旨在克服传统匹配滤波技术在识别未知波形引力波信号方面的局限性。我们引入了一种受 ResNet 启发的改进卷积神经网络架构，利用残差块提取高维特征，有效捕捉背景噪声与引力波信号之间的细微差异。该网络架构学习高维投影，同时保留与原始输入的差异，从而实现对引力波信号的精确识别。在实验中，我们实施了一种创新的数据增强策略，通过计算多个信号样本的算术平均值来生成新数据，同时保留原始信号的关键特征。在 NSF HDR A3D3：检测异常引力波信号竞赛中，我们（组名：easonyan123）最终获得第一名，模型在开发/验证阶段的真负率（TNR）为 0.9708，在未见过的挑战数据集上的最终/测试阶段 TNR 为 0.9832，位居所有参赛者之首。这些结果表明，我们的方法不仅取得了优异的泛化性能，而且在应对引力波异常检测中固有的复杂不确定性时保持了稳健的适应性。
引用
@article{arxiv.2503.03799,
title = {DeepGrav: Anomalous Gravitational-Wave Detection Through Deep Latent Features},
author = {Jianqi Yan and Alex P. Leung and Zhiyuan Pei and David C. Y. Hui and Sangin Kim},
journal= {arXiv preprint arXiv:2503.03799},
year = {2025}
}
备注
6 pages, 3 figures, A concise introduction to the winning solution for NSF HDR A3D3 GW challenge. Our training code is publicly available at https://github.com/yan123yan/HDR-anomaly-challenge-submission