MARC

 008240612s2024      us  |||||||||||||||c||eng  d
■001000016935358
■00520240214101923
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380846783
■035    ▼a(MiAaPQ)AAI30691386
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aYan,  Jingkai.
■24510▼aInterpretable  Machine  Learning  Architectures  for  Efficient  Signal  Detection  with  Applications  to  Gravitational  Wave  Astronomy▼h[electronic  resource]
■260    ▼a[S.l.]:▼bColumbia  University.  ▼c2024
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2024
■300    ▼a1  online  resource(132  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Wright,  John.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aDeep  learning  has  seen  rapid  evolution  in  the  past  decade,  accomplishing  tasks  that  were  previously  unimaginable.  At  the  same  time,  researchers  strive  to  better  understand  and  interpret  the  underlying  mechanisms  of  the  deep  models,  which  are  often  justifiably  regarded  as  "black  boxes".  Overcoming  this  deficiency  will  not  only  serve  to  suggest  better  learning  architectures  and  training  methods,  but  also  extend  deep  learning  to  scenarios  where  interpretability  is  key  to  the  application.  One  such  scenario  is  signal  detection  and  estimation,  with  gravitational  wave  detection  as  a  specific  example,  where  classic  methods  are  often  preferred  for  their  interpretability.  Nonetheless,  while  classic  statistical  detection  methods  such  as  matched  filtering  excel  in  their  simplicity  and  intuitiveness,  they  can  be  suboptimal  in  terms  of  both  accuracy  and  computational  efficiency.  Therefore,  it  is  appealing  to  have  methods  that  achieve  "the  best  of  both  worlds",  namely  enjoying  simultaneously  excellent  performance  and  interpretability.In  this  thesis,  we  aim  to  bridge  this  gap  between  modern  deep  learning  and  classic  statistical  detection,  by  revisiting  the  signal  detection  problem  from  a  new  perspective.  First,  to  address  the  perceived  distinction  in  interpretability  between  classic  matched  filtering  and  deep  learning,  we  state  the  intrinsic  connections  between  the  two  families  of  methods,  and  identify  how  trainable  networks  can  address  the  structural  limitations  of  matched  filtering.  Based  on  these  ideas,  we  propose  two  trainable  architectures  that  are  constructed  based  on  matched  filtering,  but  with  learnable  templates  and  adaptivity  to  unknown  noise  distributions,  and  therefore  higher  detection  accuracy.  We  next  turn  our  attention  toward  improving  the  computational  efficiency  of  detection,  where  we  aim  to  design  architectures  that  leverage  structures  within  the  problem  for  efficiency  gains.  By  leveraging  the  statistical  structure  of  class  imbalance,  we  integrate  hierarchical  detection  into  trainable  networks,  and  use  a  novel  loss  function  which  explicitly  encodes  both  detection  accuracy  and  efficiency.  Furthermore,  by  leveraging  the  geometric  structure  of  the  signal  set,  we  consider  using  signal  space  optimization  as  an  alternative  computational  primitive  for  detection,  which  is  intuitively  more  efficient  than  covering  with  a  template  bank.  We  theoretical  prove  the  efficiency  gain  by  analyzing  Riemannian  gradient  descent  on  the  signal  manifold,  which  reveals  an  exponential  improvement  in  efficiency  over  matched  filtering.  We  also  propose  a  practical  trainable  architecture  for  template  optimization,  which  makes  use  of  signal  embedding  and  kernel  interpolation.We  demonstrate  the  performance  of  all  proposed  architectures  on  the  task  of  gravitational  wave  detection  in  astrophysics,  where  matched  filtering  is  the  current  method  of  choice.  The  architectures  are  also  widely  applicable  to  general  signal  or  pattern  detection  tasks,  which  we  exemplify  with  the  handwritten  digit  recognition  task  using  the  template  optimization  architecture.  Together,  we  hope  the  this  work  useful  to  scientists  and  engineers  seeking  machine  learning  architectures  with  high  performance  and  interpretability,  and  contribute  to  our  understanding  of  deep  learning  as  a  whole.
■590    ▼aSchool  code:  0054.
■650  4▼aElectrical  engineering.
■650  4▼aComputer  science.
■653    ▼aGravitational  wave  detection
■653    ▼aInterpretability
■653    ▼aMachine  learning
■653    ▼aOptimization
■653    ▼aSignal  detection
■690    ▼a0544
■690    ▼a0984
■71020▼aColumbia  University▼bElectrical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935358▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서