借助正常现象寻找异常：基于 AI 的引力波数据异常检测

引力波数据中异常的检测和分类在提高搜寻天体学来源信号灵敏度方面发挥着关键作用。我们提出了 ABNORMAL（AI 基于非平稳性观察者用于重新分割和标记异常），这是一种深度神经网络（DNN）模型，仅使用模拟的高斯噪声进行训练。通过摆脱对真实数据的依赖进行训练，该方法解决了异常检测中的循环悖论：在真实数据上进行训练隐含地涉及将平稳数据与非平稳数据进行区分，但除非先检测到所有异常，否则这在没有异常检测的情况下是不可能的。ABNORMAL 是一种基于自编码器的 DNN，具有关键创新点：它被训练用于预测噪声的统计特征，而不是重构噪声时间序列本身。统计特征通过应用 Gabor 和小波滤波器组实现时间频率分析，然后通过双路径架构进行多视角融合。我们对模拟数据和真实 LIGO 数据进行了性能评估。对 O1 到 O3b 观测运行的数据进行应用，揭示了在不同时间尺度上丰富的异常景观，包括许多不符合已知类别的异常。