Buchumschlag

labrador: A domain-optimized machine-learning tool for gravitational wave inference

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Roulet, Javier, Crisostomi, Marco, Thomas, Lucy M., Chatziioannou, Katerina
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	General Relativity and Quantum Cosmology High Energy Astrophysical Phenomena Instrumentation and Methods for Astrophysics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Posterior predictive checking for gravitational-wave detection with pulsar timing arrays: I. The optimal statistic
von: Vallisneri, Michele, et al.
Veröffentlicht: (2023)

Background information: a study on the sensitivity of astrophysical gravitational-wave background searches
von: Renzini, Arianna I., et al.
Veröffentlicht: (2024)

Sampler-free gravitational wave inference using matrix multiplication
von: Mushkin, Jonathan, et al.
Veröffentlicht: (2025)

Fast marginalization algorithm for optimizing gravitational wave detection, parameter estimation and sky localization
von: Roulet, Javier, et al.
Veröffentlicht: (2024)

Posterior predictive checking for gravitational-wave detection with pulsar timing arrays: II. Posterior predictive distributions and pseudo Bayes factors
von: Meyers, Patrick M., et al.
Veröffentlicht: (2023)

Rapid parameter estimation for pulsar-timing-array datasets with variational inference and normalizing flows
von: Vallisneri, Michele, et al.
Veröffentlicht: (2024)

Source Confusion from Neutron Star Binaries in Ground-Based Gravitational Wave Detectors is Minimal
von: Johnson, Aaron D., et al.
Veröffentlicht: (2024)

Incorporation of model accuracy in gravitational wave Bayesian inference
von: Hoy, Charlie, et al.
Veröffentlicht: (2024)

New search pipeline for gravitational waves with higher-order modes using mode-by-mode filtering
von: Wadekar, Digvijay, et al.
Veröffentlicht: (2024)

Significant challenges for astrophysical inference with next-generation gravitational-wave observatories
von: Baker, A. Makai, et al.
Veröffentlicht: (2025)

Significant increase in sensitive volume of a gravitational wave search upon including higher harmonics
von: Mehta, Ajit Kumar, et al.
Veröffentlicht: (2025)

Peregrine: Sequential simulation-based inference for gravitational wave signals
von: Bhardwaj, Uddipta, et al.
Veröffentlicht: (2023)

Rapid inference and comparison of gravitational-wave population models with neural variational posteriors
von: Mould, Matthew, et al.
Veröffentlicht: (2025)

Photon counting readout for detection and inference of gravitational waves from neutron star merger remnants
von: Payne, Ethan, et al.
Veröffentlicht: (2025)

New black hole mergers in the LIGO-Virgo O3 data from a gravitational wave search including higher-order harmonics
von: Wadekar, Digvijay, et al.
Veröffentlicht: (2023)

Joint inference for gravitational wave signals and glitches using a data-informed glitch model
von: Malz, Ann-Kristin, et al.
Veröffentlicht: (2025)

Leveraging rapid parameter estimates for efficient gravitational-wave Bayesian inference via posterior repartitioning
von: Prathaban, Metha, et al.
Veröffentlicht: (2026)

Gravitational-wave background detection using machine learning
von: Einsle, Hugo, et al.
Veröffentlicht: (2025)

Variational inference for correlated gravitational wave detector network noise
von: Liu, Jianan, et al.
Veröffentlicht: (2024)

The anti-aligned spin of GW191109: glitch mitigation and its implications
von: Udall, Rhiannon, et al.
Veröffentlicht: (2024)

Toward robust detections of nanohertz gravitational waves
von: Di Marco, Valentina, et al.
Veröffentlicht: (2023)

Variance of gravitational-wave populations
von: Corelli, Alessia, et al.
Veröffentlicht: (2026)

On the exceptionality of exceptional gravitational-wave events
von: Tenorio, Rodrigo, et al.
Veröffentlicht: (2026)

A neural network for estimating compact binary coalescence parameters of gravitational-wave events in real time
von: Chaudhary, Sushant Sharma, et al.
Veröffentlicht: (2025)

Residual neural networks to classify the high frequency emission in core-collapse supernova gravitational waves
von: Morales, Manuel D., et al.
Veröffentlicht: (2024)

Probing Supernovae through gravitational wave entropy
von: Sakan, Aknur, et al.
Veröffentlicht: (2025)

Fast frequency-domain gravitational waveforms for precessing binaries with a new twist
von: Colleoni, Marta, et al.
Veröffentlicht: (2024)

Model-agnostic gravitational-wave background characterization algorithm
von: Knapp, Taylor, et al.
Veröffentlicht: (2025)

Searching for gravitational-wave bursts with space-borne detectors
von: Wu, Zheng, et al.
Veröffentlicht: (2023)

Calibrating gravitational-wave search algorithms with conformal prediction
von: Ashton, Gregory, et al.
Veröffentlicht: (2024)

A frequency resolved atlas of the sky in continuous gravitational waves
von: Dergachev, Vladimir, et al.
Veröffentlicht: (2022)

Swiftly chasing gravitational waves across the sky in real-time
von: Tohuvavohu, Aaron, et al.
Veröffentlicht: (2024)

State-space algorithm for detecting the nanohertz gravitational wave background
von: Kimpson, Tom, et al.
Veröffentlicht: (2025)

Neural Bayesian updates to populations with growing gravitational-wave catalogs
von: Wolfe, Noah E., et al.
Veröffentlicht: (2026)

On the angular localization of gravitational-wave signals by pulsar timing arrays
von: Taylor, Stephen R.
Veröffentlicht: (2026)

Simultaneously search for multi-target Galactic binary gravitational waves
von: Gao, Pin, et al.
Veröffentlicht: (2024)

Detection of astrophysical gravitational wave sources by TianQin and LISA
von: Torres-Orjuela, Alejandro, et al.
Veröffentlicht: (2023)

Glitches far from transient gravitational-wave events do not bias inference
von: Hourihane, Sophie, et al.
Veröffentlicht: (2025)

Beyond diagonal approximations: improved covariance modeling for pulsar timing array data analysis
von: Crisostomi, Marco, et al.
Veröffentlicht: (2025)

Hankel low-rank matrix approximation for gravitational-wave data analysis
von: Geissler, Nicholas, et al.
Veröffentlicht: (2026)