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

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

本文主要介绍了一种新的基于卷积神经网络的多视角分类方法，用于区分来自 Advanced Laser Interferometer Gravitational-wave Observatory 的引力波数据中的异常噪音（glitches）并进一步理解其特性和来源，并进行有效的剔除。通过实验验证，该模型相比于传统的单视角算法能够提高分类的准确性。

Apr, 2017

通过引入解释性机器学习技术，研究黑洞合并事件的监测与探测，使用先进 LIGO 数据对机器学习模型进行可视化分析，从而研究其局部和全局特征并发现分支结构对噪音特性的影响。该研究为解释性机器学习模型的设计提供了新思路。

Feb, 2022

利用卷积神经网络的深度学习技术，实现了对引力波信号的快速检测和特征提取，并在真实数据的基础上证明了机器学习可以检测和估计 LIGO 探测到的真实事件的真实参数，实现了对引力波和其多信使计数器的同时检测。

Nov, 2017

本文提出了两种新的机器学习和深度学习集成方法（即 ShallowWaves 和 DeepWaves 集成），用于检测引力波观测所得数据集中的不同类型的噪声和模式。我们的研究还探讨了多类别分类的各种机器学习和深度学习技术，并提供了一个综合基准，重点关注三个常用性能指标（准确率、精确率和召回率）方面的最佳结果。我们在由先进激光干涉型引力波观测台（LIGO）收集的现实世界数据的标注时间序列数据集上训练和测试我们的模型。我们以经验为基础证明了提出的 DeepWaves 集成的最佳整体准确性，并紧随其后的是 ShallowWaves 集成。

Nov, 2023

该论文介绍了一种名为 Deep Filtering 的新方法，使用深度卷积神经网络可以在实时监测中检测和表征引力波信号，这是一种比传统的 Matched Filtering 方法更为高效的方法，通过对 LIGO 数据的实时处理，可以实现对弱时间序列信号的检测，并且可以探测新型引力波源。

Nov, 2017

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

利用机器学习和主成分分析的自动噪声分类算法可有效提高先进引力波探测器的灵敏度。

May, 2015

本文介绍了 Deep Filtering，一种新的高度可扩展的方法，用于端到端时序信号处理，并展示其在检测和参数估计引力波方面的应用，取得了比传统机器学习技术更好的性能，同时速度快得多，使得实时处理原始大数据变得更容易。

Dec, 2016