该研究应用了深度迁移学习技术，利用卷积神经网络根据光谱图像准确地分类毛刺现象，对于长时间运作的先进激光干涉重力波探测器，此方法提供了一种动态分类毛刺现象的新框架。

Jun, 2017

2015 年 9 月 14 日，Advanced LIGO 探测器观测到了一个引力波信号，来自一个黑洞双星系统。本研究主要围绕研究该事件，使用瞬态噪声背景来确定其重要性，并调查了事件发生期间探测器中潜在的相关或不相关的瞬态噪声源，除此以外，我们排除了环境影响和非高斯仪器噪声是引起观测到的引力波信号的根源。

Feb, 2016

本文介绍了将深度学习与迁移学习结合应用于 LIGO 探测器数据中震荡信号辨识的方法，证明了将预训练模型用于谱图分类能够在小型数据集上显著减少训练时间，并且取得了 98.8% 以上的准确度，是一种能够自动识别和移除新型震荡信号和异常数据的创新能力。

Nov, 2017

本文介绍了一种将众包与机器学习相结合的方法，通过图像分类和新类别的发现来帮助 LIGO 识别干扰信号的来源，从而提高引力波探测的效率和精度。

Nov, 2016

采用贝叶斯方法建立多组件、可变尺寸、参数化噪声模型，以显式考虑干涉引力波探测器数据中的非定态性和非高斯性，并利用 Morlet-Gabor 连续小波框架模拟仪器瞬变和引力波爆发源，与 BayesLine 算法相结合模拟高斯噪声和尖锐线特征。

Oct, 2014

介绍了一种用于原型事件分类系统的方法学，其中涉及贝叶斯和机器学习分类器，自动合并后续观测的反馈，并实现区分或定向后续请求，该方法可能对未来的大型系统观测任务至关重要。

Feb, 2008

采用高斯过程回归对～LSST~ 发现的新天文现象的光变曲线进行预测，利用增强型决策树分类器实现光度学分类，降低了光谱训练集偏差对分类器的影响。

Jul, 2019

本文提出了一种用于检测和重构引力波瞬变的方法，该方法利用先进探测器网络，通过改进的算法增强了电磁跟踪的低延迟搜索和广泛范围瞬变引力波源的可靠检测。该方法包括核心分析算法、引力波极化的重构等，极化测量可以实现快速重建引力波波形、定位天空和帮助确定源的起源。

Nov, 2015

本文提出了一种基于检测异常的 GW 数据研究的替代方法，通过对二进制黑洞系统合并所发出的 GW 进行异常检测，并包括来自 LIGO/Virgo 数据集中的干扰。

Mar, 2021

利用神经网络分类器的倒数第二层作为潜在空间来检测异常，引入一种名为多类孤立森林的新方法，在给定分类器生成的潜在空间表示下，为光曲线导出异常得分，该方法明显优于标准的孤立森林，并在实时异常检测中有效地重用了分类器。

Mar, 2024