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

本文提出了一种适用于所有空间引力波信号的高精度 GW 信号检测和提取方法，使用多阶段深度神经网络可以在高斯噪声中检测到具有超过 99％的准确性的合成信号。此方法在多种场景下有很强的解释性和泛化能力。

Jul, 2022

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

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

近期，机器学习算法用于解决重力波探测器数据中的信号搜索问题，本研究描述了 TPI FSU Jena 团队的参赛作品及其改进版，并将算法应用于真实的 O3b 数据以检测 GWTC-3 目录中的相关事件。

Feb, 2024

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

本文通过引入刻画数据中 “chirp” 信号特征视觉强度的新度量，以及运用变分自编码器构建分类器的方法，设计了对紧二元融合信号的分类深度学习模型，并通过引入生成对抗网络的新框架完成了对模型的增强，从而改善了模型的鲁棒性和可靠性，同时保证了模型在性能上的表现。

Jun, 2023

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

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

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