使用深度神经网络进行判别性降维以聚类LIGO数据
天体物理仪器与方法
2022-05-30 v1 星系天体物理
广义相对论与量子宇宙学
摘要
在本文中，利用神经网络对数据中存在的非线性建模的能力，我们提出了几种可将数据投影到低维、判别性和光滑流形上的模型。所提模型能将知识从已知类别的域迁移到类别未知的新域。进一步在新域中应用聚类算法，从未标记数据池中找出潜在的新类别。本文的研究问题和数据源自Gravity Spy项目，该项目是先进激光干涉引力波天文台（LIGO）的一个附属项目。LIGO项目旨在使用巨型探测器探测宇宙引力波。然而，被称为“glitches”的非宇宙、非高斯扰动出现在LIGO的引力波数据中。这是不受欢迎的，因为它给引力波探测过程带来问题。Gravity Spy协助识别glitch以理解其起源。由于新类型的glitch随时间出现，Gravity Spy的目标之一是创建新的glitch类别。针对此任务，我们在本文中给出了一种实现方法。
引用
@article{arxiv.2205.13672,
title = {Discriminative Dimensionality Reduction using Deep Neural Networks for Clustering of LIGO Data},
author = {Sara Bahaadini and Yunan Wu and Scott Coughlin and Michael Zevin and Aggelos K. Katsaggelos},
journal= {arXiv preprint arXiv:2205.13672},
year = {2022}
}