识别和消除引力波检测中的机器学习偏差

匹配滤波是长期以来的一种用于在平稳高斯噪声中检测已知信号的最优技术。然而，当在未知信号和实际噪声中操作时，它已知偏离最优性，并在追求近似最优性方面存在计算效率低下的问题。近年来涌现出的另一种有前景的替代方法是深度学习。尽管它在应用于检测引力波（GWs）噪声时显示出显著的前景，但我们展示了学习偏差的存在，这些偏差阻碍了泛化并导致检测灵敏度显著下降。我们的工作识别了一组 11 个相互关联的偏差的来源，并贡献了缓解措施和训练策略以同时解决这些问题。鉴于所识别的偏差，我们展示，现有的检测灵敏度指标对机器学习（ML）管道不可靠，讨论了前一结果的可信度。我们利用 GW 领域知识构建了一个针对这些偏差的基于 ML 的二倍黑洞搜索管道，称为 Sage。通过在机器学习引力波搜索挑战中呈现的注入研究，我们显示 Sage 在 O3a 噪声下的误报率为每月一次时，检测信号数比基准 PyCBC 分析多约 11.2%。此外，我们还表明它在相同数据集上比前往往表现最好的 ML 管道检测信号数多约 48.29%。我们经验性地证明 Sage 能够：[i]有效处理超出分布的噪声功率谱密度，[ii]强力拒绝非高斯瞬态噪声伪影，[iii]使用更少的数据即可实现更高的检测灵敏度，尽管网络规模类似。所有代码和实现均可在 https://github.com/nnarenraju/sage 获取。