cDVGAN: One Flexible Model for Multi-class Gravitational Wave Signal and Glitch Generation

要約

重力波 (GW) と GW 検出器の不具合の現実的な時間領域観測をシミュレートすることは、GW データ分析の進歩に役立ちます。
シミュレートされたデータは、信号検索用のデータセットの強化、機械学習用のデータセットのバランス調整、検出スキームの検証によって、下流のタスクで使用できます。
この研究では、重力波 (GW) と検出器のグリッチを表す複数のクラスの時間領域観測をシミュレートするための、敵対的生成ネットワーク フレームワークの新しい条件付きモデルである条件付き微分 GAN (cDVGAN) を紹介します。
cDVGAN は、条件付きクラス ベクトルでの内挿を通じてクラス間の変動にまたがる一般化されたハイブリッド サンプルを生成することもできます。
cDVGAN は、GAN の典型的な 2 プレイヤー敵対ゲームに追加のプレイヤーを導入し、補助識別器が一次微分時系列を分析します。
私たちの結果は、これによって元のデータの特徴をよりよく捉えた合成データが提供されることを示しています。
cDVGAN は 3 つのクラスで条件を設定します。2 つは 3 回目の観測実行 (O3) からの LIGO ブリップおよびトムテ グリッチ イベントからノイズ除去されたもの、もう 1 つはバイナリ ブラック ホール (BBH) の合体を表します。
私たちが提案する cDVGAN は、3 つのクラスの機能を再現する点で、4 つの異なるベースライン GAN モデルよりも優れています。
具体的には、私たちの実験は、cDVGAN で生成されたデータを使用して畳み込みニューラル ネットワーク (CNN) をトレーニングすると、他の最先端の GAN モデルからの合成データを超えて、検出器のノイズに埋め込まれたサンプルの検出が向上することを示しています。
当社の最高の合成データセットは、ベースライン GAN の合成データセットと比較して、曲線下面積 (AUC) のパフォーマンスが 4.2% も向上しました。
さらに、LIGO 検出器のバックグラウンドに埋め込まれた実際のサンプルを識別する場合、cDVGAN からのハイブリッド サンプルを使用して CNN をトレーニングすると、標準クラスのみでトレーニングされた CNN よりも優れたパフォーマンスを発揮します (cDVGAN で AUC が 4% 改善)。

要約(オリジナル)

Simulating realistic time-domain observations of gravitational waves (GWs) and GW detector glitches can help in advancing GW data analysis. Simulated data can be used in downstream tasks by augmenting datasets for signal searches, balancing data sets for machine learning, and validating detection schemes. In this work, we present Conditional Derivative GAN (cDVGAN), a novel conditional model in the Generative Adversarial Network framework for simulating multiple classes of time-domain observations that represent gravitational waves (GWs) and detector glitches. cDVGAN can also generate generalized hybrid samples that span the variation between classes through interpolation in the conditioned class vector. cDVGAN introduces an additional player into the typical 2-player adversarial game of GANs, where an auxiliary discriminator analyzes the first-order derivative time-series. Our results show that this provides synthetic data that better captures the features of the original data. cDVGAN conditions on three classes, two denoised from LIGO blip and tomte glitch events from its 3rd observing run (O3), and the third representing binary black hole (BBH) mergers. Our proposed cDVGAN outperforms 4 different baseline GAN models in replicating the features of the three classes. Specifically, our experiments show that training convolutional neural networks (CNNs) with our cDVGAN-generated data improves the detection of samples embedded in detector noise beyond the synthetic data from other state-of-the-art GAN models. Our best synthetic dataset yields as much as a 4.2% increase in area-under-the-curve (AUC) performance compared to synthetic datasets from baseline GANs. Moreover, training the CNN with hybrid samples from our cDVGAN outperforms CNNs trained only on the standard classes, when identifying real samples embedded in LIGO detector background (4% AUC improvement for cDVGAN).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google