Buchumschlag

Identifying and Mitigating Machine Learning Biases for the Gravitational Wave Detection Problem

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nagarajan, Narenraju, Messenger, Christopher
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	General Relativity and Quantum Cosmology Instrumentation and Methods for Astrophysics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Long Short-Term Memory for Early Warning Detection of Gravitational Waves
von: Alfaidi, Reem, et al.
Veröffentlicht: (2024)

Gravitational Wave Polarization Detection with Tetrahedron Constellation of Gravitational Wave Observatory
von: Jin, Hong-Bo, et al.
Veröffentlicht: (2024)

Prospects for High-Frequency Gravitational-Wave Detection with GEO600
von: Jungkind, Christopher M., et al.
Veröffentlicht: (2025)

Decoding Long-duration Gravitational Waves from Binary Neutron Stars with Machine Learning: Parameter Estimation and Equations of State
von: Hu, Qian, et al.
Veröffentlicht: (2024)

Expanding the Quantum-Limited Gravitational-Wave Detection Horizon
von: Tao, Liu, et al.
Veröffentlicht: (2025)

Null Stream Based Third-generation-ready Glitch Mitigation for Gravitational Wave Measurements
von: Narola, Harsh, et al.
Veröffentlicht: (2024)

Assessing and Mitigating the Impact of Glitches on Gravitational-Wave Parameter Estimation: a Model Agnostic Approach
von: Ghonge, Sudarshan, et al.
Veröffentlicht: (2023)

Systematic Biases in Gravitational-Wave Parameter Estimation from Neglecting Orbital Eccentricity in Space-Based Detectors
von: Yang, Jin-Zhao, et al.
Veröffentlicht: (2026)

Detection and Mitigation of Glitches in LISA Data: A Machine Learning Approach
von: Houba, Niklas, et al.
Veröffentlicht: (2024)

Gravitational Wave-Sensitive Photonic-Like Electronic Transport in Graphene for Efficient High-Frequency Gravitational Wave Detection
von: Shen, Shen, et al.
Veröffentlicht: (2024)

Microseismic Noise Mitigation with Machine Learning for Advanced LIGO
von: Reissel, Christina, et al.
Veröffentlicht: (2025)

Detectability Scaling Laws for Environmental Phase Modulation in Gravitational-Wave Signals
von: Cain, Jericho
Veröffentlicht: (2026)

Automated Evaluation of Environmental Coupling for Advanced LIGO Gravitational Wave Detections
von: Helmling-Cornell, Adrian, et al.
Veröffentlicht: (2023)

Reconstructing source motion from gravitational wave strain
von: Bayley, Joseph, et al.
Veröffentlicht: (2024)

Deep Learning Search for Gravitational Waves from Compact Binary Coalescence
von: Mobilia, Lorenzo, et al.
Veröffentlicht: (2026)

Applications of machine learning in gravitational wave research with current interferometric detectors
von: Cuoco, Elena, et al.
Veröffentlicht: (2024)

Basic Data Processing of Gravitational Waves
von: Wu, Jingxu, et al.
Veröffentlicht: (2024)

SGNL: Scalable Low-Latency Gravitational Wave Detection Pipeline for Compact Binary Mergers
von: Huang, Yun-Jing, et al.
Veröffentlicht: (2025)

Real-Time Detection of Unmodelled Gravitational-Wave Transients Using Convolutional Neural Networks
von: Skliris, Vasileios, et al.
Veröffentlicht: (2020)

From LIGO to Fiber- Compact Sagnac Interferometer for Gravitational-Wave Detection
von: Hakimi, Farhad, et al.
Veröffentlicht: (2025)

Evaluating Deep Learning Models for Multiclass Classification of LIGO Gravitational-Wave Glitches
von: Manoharan, Rudhresh, et al.
Veröffentlicht: (2026)

AttenGW: A Lightweight Attention-Based Multi-Detector Gravitational-Wave Detection Pipeline
von: Tiki, Victoria, et al.
Veröffentlicht: (2025)

Bidirectional Internal Squeezing for Gravitational-Wave Detectors
von: Vermeulen, Sander M., et al.
Veröffentlicht: (2026)

Detection of Lensed Gravitational Waves in the Millihertz Band Using Frequency-Domain Lensing Feature Extraction Network
von: Wang, Tianlong, et al.
Veröffentlicht: (2025)

Accelerated Time-domain Analysis for Gravitational Wave Astronomy
von: Prasad, Vaishak
Veröffentlicht: (2026)

Likelihood-Based One-Class Scoring in CWT Latent Space for Confusion-Limited LISA Gravitational-Wave Detection
von: Cain, Jericho
Veröffentlicht: (2026)

Time-Averaged Template for Stochastic Gravitational-Wave Background Detection in Space-Based Interferometers
von: Wu, Jing-yi, et al.
Veröffentlicht: (2025)

Parallel Nested Slice Sampling for Gravitational Wave Parameter Estimation
von: Yallup, David, et al.
Veröffentlicht: (2025)

Fast Waveform Generation for Gravitational Waves using Evolutionary Algorithms
von: Meijer, Quirijn, et al.
Veröffentlicht: (2024)

Likelihood for a Network of Gravitational-Wave Detectors with Correlated Noise
von: Cireddu, Francesco, et al.
Veröffentlicht: (2023)

Obtaining Statistical Significance of Gravitational Wave Signals in Hierarchical Search
von: Soni, Kanchan, et al.
Veröffentlicht: (2023)

Quantum Noise Reduction in the Space-based Gravitational Wave Antenna DECIGO Using Optical Springs and Homodyne Detection scheme
von: Tsuji, Kenji, et al.
Veröffentlicht: (2025)

Proof-of-Principle Experiment on a Displacement-Noise-Free Neutron Interferometer for Gravitational Wave Detection
von: Iwaguchi, Shoki, et al.
Veröffentlicht: (2025)

Robustness of Deep Learning Models to Precession in Gravitational-Wave Searches for Intermediate-Mass Black Hole Binaries
von: Meijer, Quirijn, et al.
Veröffentlicht: (2024)

Unsupervised Learning Approach to Anomaly Detection in Gravitational Wave Data
von: Fayad, Ammar
Veröffentlicht: (2024)

Mapping Anisotropies in the Stochastic Gravitational-Wave Background with space detector networks
von: Li, Zhi-Yuan, et al.
Veröffentlicht: (2025)

Generating optimal Gravitational-Wave template banks with metric-preserving autoencoders
von: Cabass, Giovanni, et al.
Veröffentlicht: (2025)

Adaptive Modeling of Correlated Noise in Space-Based Gravitational Wave Detectors
von: Li, Ya-Nan, et al.
Veröffentlicht: (2025)

GWAI: Artificial Intelligence Platform for Enhanced Gravitational Wave Data Analysis
von: Zhao, Tianyu, et al.
Veröffentlicht: (2024)

New Gravitational Wave Discoveries Enabled by Machine Learning
von: Koloniari, Alexandra E., et al.
Veröffentlicht: (2024)