利用生成对抗网络提升引力波探测中毛刺分类的性能
高能天体物理现象
2022-08-03 v1 天体物理仪器与方法
机器学习
广义相对论与量子宇宙学
摘要
谱图分类在分析引力波数据中起着重要作用。本文提出一种利用生成对抗网络（GANs）提升分类性能的框架。由于标注谱图需要大量人力和专业知识，训练样本数量非常有限。然而，众所周知，深度网络只有在训练集样本量足够大时才能表现良好。此外，不同类别间样本量不均衡也会损害性能。为解决这些问题，我们提出了一种基于 GAN 的数据增强框架。虽然常规图像的标准数据增强方法无法应用于谱图，但我们发现 GAN 的一种变体 ProGAN 能够生成高分辨率谱图，其质量与高分辨率原始图像一致，并提供了理想的多样性。我们通过使用 GAN 生成的谱图训练来对 {\it Gravity Spy} 数据集中的毛刺进行分类，验证了我们的框架。我们表明，所提方法可为使用深度网络进行谱图分类提供一种迁移学习的替代方案，即改用高分辨率 GAN 进行数据增强。此外，训练和评估中因小样本量导致的分类性能波动可大幅降低。利用我们框架中训练好的网络，我们还检查了 {\it Gravity Spy} 中带有标签异常的谱图。
引用
@article{arxiv.2207.04001,
title = {On Improving the Performance of Glitch Classification for Gravitational Wave Detection by using Generative Adversarial Networks},
author = {Jianqi Yan and Alex P. Leung and David C. Y. Hui},
journal= {arXiv preprint arXiv:2207.04001},
year = {2022}
}
备注
Accepted for publication in MNRAS, 16 pages, 14 figures, 5 tables