利用随机森林方法从 CNN 中学习与解释引力波特征
机器学习
2025-10-28 v2 高能天体物理现象
广义相对论与量子宇宙学
数据分析、统计与概率
摘要
卷积神经网络（CNN）因其能够从原始应变数据中自动学习层次化特征，已在引力波（GW）探测流程中得到广泛应用。然而，这些所学特征的物理意义仍缺乏深入探索，限制了此类模型的可解释性。在这项工作中，我们提出了一种混合架构，将基于 CNN 的特征提取器与随机森林（RF）分类器相结合，以同时提升探测性能和可解释性。与以往直接将分类器连接到 CNN 输出的方法不同，我们的方法引入了四个具有物理可解释性的指标——方差、信噪比（SNR）、波形重叠度和峰值幅度——这些指标从最后一个卷积层计算得出。它们与 CNN 输出在 RF 分类器中共同使用，以实现更明智的决策边界。在长持续时间应变数据集上的测试表明，我们的混合模型优于基线 CNN 模型，在固定每月 10 次事件的误报率下，灵敏度实现了 21% 的相对提升。值得注意的是，它还改善了对低 SNR 信号（SNR 10）的探测，这类信号在嘈杂环境中特别容易被误分类。通过 RF 模型进行的特征归因表明，CNN 提取的特征和手工设计的特征都对分类决策有显著贡献，其中学习到的方差和 CNN 输出被列为最具信息量的特征。这些发现表明，基于物理动机的 CNN 特征图后处理可以作为可解释且高效的 GW 探测的有价值工具，从而弥合深度学习与领域知识之间的差距。
引用
@article{arxiv.2505.20357,
title = {Learning and Interpreting Gravitational-Wave Features from CNNs with a Random Forest Approach},
author = {Jun Tian and He Wang and Jibo He and Yu Pan and Shuo Cao and Qingquan Jiang},
journal= {arXiv preprint arXiv:2505.20357},
year = {2025}
}