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

激光干涉引力波观测站（LIGO）的进步显著增强了引力波探测的可行性和可靠性。然而，LIGO的高灵敏度使其容易受到称为故障的瞬时噪声的影响，这需要有效地区分真实的引力波信号。传统方法主要采用全监督或半监督算法来完成故障分类和聚类任务。在识别和分类主通道和辅助通道中的故障的未来任务中，手动标记地面真实数据集是不切实际的。此外，故障的模式可能随时间变化而产生新的故障，而没有手动标签。为了应对这一挑战，我们介绍了跨时谱自编码器（CTSAE），这是一种开创性的无监督方法，用于降维和聚类引力波故障。CTSAE将新颖的四分支自编码器与卷积神经网络（CNN）和视觉变换器（ViT）的混合体集成在一起。为了进一步提取多分支的特征，我们介绍了一种新颖的多分支融合方法，使用CLS（类）标记。我们的模型在GravitySpy O3数据集的主通道上进行了训练和评估，与最先进的半监督学习方法相比，在聚类任务中表现出更好的性能。据我们所知，CTSAE代表了第一个专门针对聚类LIGO数据的无监督方法，标志着引力波研究领域迈出了重要的一步。本文的代码可在https://github.com/Zod-L/CTSAE上获得。

这篇论文旨在解决LIGO高灵敏度下出现的短暂噪声（glitches）对于引力波信号检测的干扰问题，提出了一种无监督的方法进行噪声聚类和分类。

论文提出了一种名为Cross-Temporal Spectrogram Autoencoder (CTSAE)的无监督方法，通过四个分支的自编码器和卷积神经网络和视觉Transformer的混合来进行降维和聚类。同时，引入了一种多分支融合方法来提取跨多个分支的特征。

论文使用GravitySpy O3数据集进行了实验，证明了CTSAE在聚类任务上的优越性能，并且是第一篇专门针对LIGO数据进行聚类的无监督方法。论文提供了开源代码。

在这个领域中，最近的相关研究包括使用卷积神经网络进行噪声分类和聚类的半监督学习方法，以及使用自编码器进行信号降噪的方法。相关论文包括：《Deep Transfer Learning for Gravitational Wave Detection》和《Noise reduction in gravitational-wave detectors using deep learning》。