[논문 리뷰] Application of machine learning algorithms to the study of noise artifacts in gravitational-wave data

R. Biswas, Lindy Blackburn외 14명|DSpace@MIT (Massachusetts Institute of Technology)|2013. 03. 27.

Time Series Analysis and Forecasting참고 문헌 3인용 수 22

한 줄 요약

이 논문은 LIGO 중력파 데이터에서 비정규 잡음 격리(glitches)를 식별하고 제거하기 위해 보조 채널 데이터를 사용하여 인공신경망, 서포트벡터기계, 랜덤 포레스트의 세 가지 기계학습 알고리즘을 적용한다. 이 방법들은 데이터셋 간에 높은 일致성(10% 이내)을 보이며, 모든 분류기들이 유사한 决定 표면에 수렴함을 보여주어 현재의 보조 데이터가 격리 식별에 있어 대부분의 유용한 정보를 이미 포괄하고 있음을 시사한다.

ABSTRACT

The sensitivity of searches for astrophysical transients in data from the LIGO is generally limited by the presence of transient, non-Gaussian noise artifacts, which occur at a high-enough rate such that accidental coincidence across multiple detectors is non-negligible. Furthermore, non-Gaussian noise artifacts typically dominate over the background contributed from stationary noise. These "glitches" can easily be confused for transient gravitational-wave signals, and their robust identification and removal will help any search for astrophysical gravitational-waves. We apply Machine Learning Algorithms (MLAs) to the problem, using data from auxiliary channels within the LIGO detectors that monitor degrees of freedom unaffected by astrophysical signals. The number of auxiliary-channel parameters describing these disturbances may also be extremely large; an area where MLAs are particularly well-suited. We demonstrate the feasibility and applicability of three very different MLAs: Artificial Neural Networks, Support Vector Machines, and Random Forests. These classifiers identify and remove a substantial fraction of the glitches present in two very different data sets: four weeks of LIGO's fourth science run and one week of LIGO's sixth science run. We observe that all three algorithms agree on which events are glitches to within 10% for the sixth science run data, and support this by showing that the different optimization criteria used by each classifier generate the same decision surface, based on a likelihood-ratio statistic. Furthermore, we find that all classifiers obtain similar limiting performance, suggesting that most of the useful information currently contained in the auxiliary channel parameters we extract is already being used.

연구 동기 및 목표

• LIGO 데이터에서 천체 중력파 신호를 모방하는 일시적 비정규 잡음 아티팩트(격리) 문제를 해결하기 위해.
• 비중력 자유도를 모니터링하는 보조 채널 데이터를 사용하여 기계학습 알고리즘이 격리를 효과적으로 식별할 수 있는지 평가하기 위해.
• 인공신경망, 서포트벡터기계, 랜덤 포레스트 등 다양한 기계학습 알고리즘의 격리 분류 성능과 결정 일致성 비교하기 위해.
• 분류기들이 데이터 품질의 한계에 의해 제한되는지 알고리즘 능력의 한계에 의해 제한되는지 확인하고, 향후 성능 향상 잠재력 평가하기 위해.
• 다양한 최적화 기준(예: 지니 지수, 신호 순도, 유의수준)이 동일한 결정 표면을 도출하는지 확인하여 이론적으로 최적의 우도비 분류기로 수렴함을 입증하기 위해.

제안 방법

• 지진, 음향, 전자적 불안정성과 같은 비천체적 요동을 기록하는 LIGO 검출기의 보조 채널 데이터를 활용한다.
• 인공신경망, 서포트벡터기계, 랜덤 포레스트의 세 가지 다른 기계학습 알고리즘을 적용하여 이벤트를 격리 또는 비격리 신호로 분류하도록 훈련한다.
• 다양한 최적화 목표가 일관된 분류 경계를 도출하는지 테스트하기 위해 결정 표면 간의 우도비 통계량을 비교한다.
• 랜덤 포레스트에서 지니 지수와 비대칭 기준(신호 순도, 신호 유의수준)을 사용하여 신호 분류 정확도를 우선시하여 실제 탐지 우선순위 반영.
• 네 주간의 LIGO 제4차 과학실험 데이터와 일주일간의 제6차 과학실험 데이터에 대해 교차검증을 수행한다.
• 다양한 최적화 기준 하에서 결정 표면의 불변성을 분석하여, 모든 방법이 동일한 최적의 우도비 임계값으로 수렴함을 증명한다.

실험 결과

연구 질문

• RQ1 기계학습 알고리즘이 비중력 자유도를 모니터링하는 보조 채널 데이터를 사용하여 중력파 격리와 천체 일시적 신호를 효과적으로 구분할 수 있는가?
• RQ2 다른 독립 데이터 세트에서 다양한 기계학습 알고리즘(ANN, SVM, 랜덤 포레스트) 간 격리 분류에 대해 어느 정도 일致성이 있는가?
• RQ3 다양한 최적화 기준(예: 지니 지수, 신호 순도, 신호 유의수준)이 다른 결정 표면을 도출하는가, 아니면 동일한 최적의 우도비 경계로 수렴하는가?
• RQ4 현재 격리 식별 성능은 보조 데이터 품질의 한계에 의해 제한되는가, 아니면 기계학습 알고리즘 선택의 한계에 의해 제한되는가?
• RQ5 분류기의 결정 표면과 기저 확률 분포의 우도비 간 이론적 관계는 무엇인가?

주요 결과

• 인공신경망, 서포트벡터기계, 랜덤 포레스트의 세 기계학습 알고리즘이 제6차 과학실험 데이터의 격리에 대해 10% 이내로 일致성을 보였다.
• 모든 분류기의 결정 표면가 일정한 우도비와 일致함을 확인하여 이론적으로 최적의 베이지안 분류기로 수렴함을 확인했다.
• 우도비 통계량을 통해 다양한 최적화 기준(예: 지니 지수, 신호 순도, 신호 유의수준)이 동일한 결정 경계를 생성함을 입증하여 이론적 등가성을 검증했다.
• 성능 포화 현상 관찰: 모든 분류기가 유사한 최대 성능에 도달하여 현재 보조 데이터가 격리 식별에 필요한 대부분의 정보를 이미 포함하고 있음을 시사했다.
• 향후 격리 탐지 성능 향상은 더 나은 기계학습 알고리즘보다는 현재 보조 채널을 초월한 추가 데이터 소스 통합에 기인할 가능성이 높다.
• 이 연구는 최적의 결정 표면이 일정한 우도비로 정의되며, 이 표면이 사전 확률이나 분류기 고유의 최적화 목표와 무관함을 확인했다.