基于深度迁移学习的 LIGO 故障分类与聚类
天体物理仪器与方法
2018-05-30 v2 机器学习
广义相对论与量子宇宙学
机器学习
摘要
利用 LIGO 与 Virgo 探测引力波，需要详细理解这些仪器在环境与仪器噪声存在时的响应。尤其令人关注的是一类称为 glitch 的异常非高斯噪声瞬变事件的研究，因为其在 LIGO/Virgo 数据中的高发生率会掩盖甚至模仿真实的引力波信号。因此，成功识别并剔除 glitch 对于探测和刻画引力波至关重要。在本文中，我们展示了深度学习和迁移学习结合用于 glitch 分类的首次应用，使用来自 LIGO 首次发现活动、由 Gravity Spy 标注的真实数据，表明来自预训练真实世界物体识别模型的知识可迁移用于分类 glitch 的频谱图。我们证明，给定小规模不平衡训练数据集，该方法能够最优地利用非常深的卷积神经网络进行 glitch 分类，显著减少训练时间，并达到 98.8% 以上的最先进准确率。一旦通过迁移学习训练完成，我们展示这些网络可被截断并用作无监督聚类的特征提取器，以自动将新类别的 glitch 与异常分组在一起。这一新能力对于识别和移除随着 LIGO/Virgo 探测器逐渐达到设计灵敏度而将出现的新型 glitch 具有关键意义。
引用
@article{arxiv.1711.07468,
title = {Glitch Classification and Clustering for LIGO with Deep Transfer Learning},
author = {Daniel George and Hongyu Shen and E. A. Huerta},
journal= {arXiv preprint arXiv:1711.07468},
year = {2018}
}
备注
Camera-ready (final) paper accepted to NIPS 2017 conference workshop on Deep Learning for Physical Sciences. Extended article: arXiv:1706.07446