引力波天文学是一个充满活力的领域，它利用经典和现代数据处理技术来理解宇宙。已经提出了各种方法来提高检测方案的效率，层次匹配的过滤是一个重要的策略。同时，深度学习方法最近已经证明了与匹配的过滤方法和显着统计性能的一致性。在这项工作中，我们提出了分层检测网络（HDN），这是一种新型的有效检测方法，结合了分层匹配和深度学习的思想。使用新型损失函数对网络进行了训练，该功能同时编码统计准确性和效率的目标。我们讨论了提出的模型的复杂性降低的来源，并描述了专门在不同区域的每个层的初始化的一般配方。我们使用开放的LiGO数据和合成注射的实验证明了HDN的性能，并使用两层型号观察$ 79 \％$ $效率的增益，而匹配的过滤率则以$ 0.2 \％$ $的匹配过滤率。此外，我们展示了如何使用两层模型初始化的三层HDN训练三层HDN可以进一步提高准确性和效率，从而突出了多个简单层在有效检测中的功能。
translated by 谷歌翻译
随着工程系统的复杂性的增长，对自动方法的需求越来越多，可以检测，诊断甚至正确的瞬时异常，这些异常不可避免地会出现，并且可能难以或不可能手动诊断和修复。在我们文明的最敏感和最复杂的系统中，探测器在引力波引起的距离中寻找令人难以置信的很小的变化 - 阿尔伯特·爱因斯坦（Albert Einstein）最初预测的现象是由于黑洞和其他其他碰撞而在宇宙中涌现和传播的探测器。深空中的大量物体。此类探测器的极端复杂性和精度使它们受到瞬时噪声问题的影响，这些问题可能会大大限制其敏感性和有效性。在这项工作中，我们介绍了一种可以检测和表征这种大规模复杂系统的新兴瞬态异常的方法的演示。我们通过一个普遍的问题之一来说明自动化解决方案的性能，精度和适应性，限制重力波发现：陆地质量造影，污染了重力波观测体的高度敏感测量，并可以模仿甚至模仿的天体物理学信号他们正在听。具体而言，我们证明了高度可解释的卷积分类器如何自动学习从辅助探测器数据中检测瞬时异常，而无需观察异常本身。我们还说明了该模型的其他几个有用的功能，包括如何执行自动变量选择，以将数万个辅助数据渠道降低到只有几个相关的数据渠道；它如何识别这些通道中异常情况的行为特征；以及如何使用它来研究单个异常及其相关的渠道。
translated by 谷歌翻译
随着我们感知增强的能力，我们正在经历从数据贫困问题的过渡，其中中心问题是缺乏相关数据，即数据越来越多的问题，其中核心问题是确定一个中的一些相关功能海洋观察。通过在重力波天体物理学中应用的激励，我们研究了从检测器及其环境中丰富的测量值收集的引力波检测器中瞬时噪声伪影的存在。我们认为，功能学习 - 从数据中优化了哪些相关功能 - 对于实现高精度至关重要。我们引入的模型将错误率降低60％以上，而不是先前使用固定的手工制作功能的最新现状。功能学习不仅有用，因为它可以提高预测任务的性能；结果提供了有关与感兴趣现象相关的模式的宝贵信息，否则这些现象将是无法发现的。在我们的应用程序中，发现与瞬态噪声相关的功能提供了有关其起源的诊断信息，并建议缓解策略。在高维环境中学习具有挑战性。通过使用各种体系结构的实验，我们确定了成功模型中的两个关键因素：稀疏性，用于在高维观测中选择相关变量；和深度，这赋予了处理复杂相互作用和相对于时间变化的鲁棒性的灵活性。我们通过对实际检测器数据进行系统的实验来说明它们的意义。我们的结果提供了对机器学习社区中常见假设的实验性佐证，并具有直接适用于提高我们感知引力波的能力以及许多其他具有类似高维，嘈杂或部分无关数据的问题的问题。
translated by 谷歌翻译