Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches

要約

レーザー干渉計重力波観測所 (LIGO) の進歩により、重力波検出の実現可能性と信頼性が大幅に向上しました。
ただし、LIGO は感度が高いため、グリッチとして知られる一時的なノイズの影響を受けやすく、実際の重力波信号と効果的に区別する必要があります。
従来のアプローチでは、グリッチの分類とクラスタリングのタスクに完全教師ありまたは半教師ありのアルゴリズムが主に使用されています。
メインチャネルと補助チャネルにわたるグリッチを特定して分類するという将来のタスクでは、手動でラベル付けされたグラウンドトゥルースを使用してデータセットを構築することは現実的ではありません。
さらに、グリッチのパターンは時間とともに変化する可能性があり、手動でラベルを付けなくても新しいグリッチが生成されます。
この課題に応えるために、私たちは、重力波グリッチの次元削減とクラスタリングのための先駆的な教師なし手法であるCross-Temporal Spectrogram Autoencoder (CTSAE) を導入しました。
CTSAE は、新しい 4 ブランチ オートエンコーダーと畳み込みニューラル ネットワーク (CNN) とビジョン トランスフォーマー (ViT) のハイブリッドを統合します。
マルチブランチ全体の特徴をさらに抽出するために、CLS (クラス) トークンを使用した新しいマルチブランチ融合手法を導入します。
メイン チャネルの GravitySpy O3 データセットでトレーニングおよび評価された私たちのモデルは、最先端の半教師あり学習手法と比較して、クラスタリング タスクにおいて優れたパフォーマンスを示します。
私たちの知る限り、CTSAE は LIGO データのクラスタリングに特化して調整された初の教師なしアプローチであり、重力波研究の分野で重要な前進を示しています。
この論文のコードは https://github.com/Zod-L/CTSAE で入手できます。

要約(オリジナル)

The advancement of The Laser Interferometer Gravitational-Wave Observatory (LIGO) has significantly enhanced the feasibility and reliability of gravitational wave detection. However, LIGO’s high sensitivity makes it susceptible to transient noises known as glitches, which necessitate effective differentiation from real gravitational wave signals. Traditional approaches predominantly employ fully supervised or semi-supervised algorithms for the task of glitch classification and clustering. In the future task of identifying and classifying glitches across main and auxiliary channels, it is impractical to build a dataset with manually labeled ground-truth. In addition, the patterns of glitches can vary with time, generating new glitches without manual labels. In response to this challenge, we introduce the Cross-Temporal Spectrogram Autoencoder (CTSAE), a pioneering unsupervised method for the dimensionality reduction and clustering of gravitational wave glitches. CTSAE integrates a novel four-branch autoencoder with a hybrid of Convolutional Neural Networks (CNN) and Vision Transformers (ViT). To further extract features across multi-branches, we introduce a novel multi-branch fusion method using the CLS (Class) token. Our model, trained and evaluated on the GravitySpy O3 dataset on the main channel, demonstrates superior performance in clustering tasks when compared to state-of-the-art semi-supervised learning methods. To the best of our knowledge, CTSAE represents the first unsupervised approach tailored specifically for clustering LIGO data, marking a significant step forward in the field of gravitational wave research. The code of this paper is available at https://github.com/Zod-L/CTSAE

arxiv情報

提供元, 利用サービス

arxiv.jp, Google