GSpyNetTree：用于引力波事件候选者的信号-故障分类器

尽管 LIGO 与 Virgo 探测器已具备探测极微小振幅引力波（GW）的灵敏度，其数据仍包含频繁的非高斯瞬态噪声爆发，俗称“故障（glitches）”。故障具有多种时频形态，当它们模仿真实 GW 形态时尤其具挑战性。鉴于下一观测运行（O4）中预期更高的事件率，LIGO-Virgo 的 GW 事件候选验证将需要更高水平的自动化。Gravity Spy 是一个在先前观测运行中成功分类 LIGO 与 Virgo 常见故障类型的机器学习工具，有潜力被重构为信号-故障分类器，以准确区分故障与 GW 信号。用于自动化的信号-故障分类器必须稳健，并能兼容广泛的背景噪声、新故障源，以及故障与 GW 重叠的可能发生。我们提出 GSpyNetTree，即 Gravity Spy 卷积神经网络决策树：一个多 CNN 分类器，在经总 GW 候选质量排序的决策树中使用 CNN，并在这些现实的 O4 时代场景下进行了测试。