Gravity Spy：经验教训与前进之路
广义相对论与量子宇宙学
2024-02-02 v2 天体物理仪器与方法
物理与社会
摘要
Gravity Spy 项目旨在揭示毛刺（干扰引力波数据分析的瞬态噪声爆发）的起源。通过结合公民科学志愿者与机器学习算法的工作，Gravity Spy 项目实现了对毛刺的可靠分类。在 Gravity Spy 框架内，公民科学与机器学习本质耦合：机器学习分类提供数据集的快速初筛分类并支持分层志愿者培训，而基于志愿者的分类则验证机器分类、增强机器学习训练集并识别新的毛刺形态类别。这些分类现已被常规用于表征 LIGO 引力波探测器性能的研究中。为志愿者提供培训框架以教会他们分类各类毛刺，并辅以额外工具助其探究有趣毛刺，可赋能他们发现新类别毛刺。这表明，在给予适当支持时，志愿者可超越简单分类任务，以与领域专家相当的水平识别数据中的新特征。Gravity Spy 项目现正为志愿者提供更复杂的数据，包括探测器的辅助监测器，以识别毛刺的根本原因。
引用
@article{arxiv.2308.15530,
title = {Gravity Spy: Lessons Learned and a Path Forward},
author = {Michael Zevin and Corey B. Jackson and Zoheyr Doctor and Yunan Wu and Carsten Østerlund and L. Clifton Johnson and Christopher P. L. Berry and Kevin Crowston and Scott B. Coughlin and Vicky Kalogera and Sharan Banagiri and Derek Davis and Jane Glanzer and Renzhi Hao and Aggelos K. Katsaggelos and Oli Patane and Jennifer Sanchez and Joshua Smith and Siddharth Soni and Laura Trouille and Marissa Walker and Irina Aerith and Wilfried Domainko and Victor-Georges Baranowski and Gerhard Niklasch and Barbara Téglás},
journal= {arXiv preprint arXiv:2308.15530},
year = {2024}
}
备注
33 pages, 5 figures, published in European Physical Journal Plus for focus issue on "Citizen science for physics: From Education and Outreach to Crowdsourcing fundamental research"