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

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

本文介绍使用混合卷积神经网络和图神经网络方法来检测引力波的方法，并通过构建AI模型在多个检测器上实现了令人满意的表现。

Jun, 2023

本研究引入了DECODE，一种以频域的序列建模为主的端到端模型，通过扩展因果卷积神经网络实现EMRI信号检测，能够高效处理一年的多通道TDI数据，并在信噪比在50到120之间的情况下，在0.01秒以内实现96.3%的真阳性率和1%的假阳性率。通过展示三个EMRI信号的可解释性和推广性，DECODE展示了未来基于空间的引力波数据分析的巨大潜力。

Aug, 2023

我们介绍了同时处理来自LIGO探测器和Virgo探测器数据的时空图模型。我们使用240万个描述准圆形、旋转、无进动的二进制黑洞合并物的IMRPhenomXPHM波形进行了这些AI分类器的训练，并在联合体中使用了3个AI分类器和2个预测器来处理了一个为期一年的测试集。这些研究表明，我们的AI联合体提供了最先进的信号检测准确性，并报告每年搜索数据的2个错误分类。这是第一个用于搜索和发现高阶引力波模式信号的AI联合体。

Sep, 2023

尽管机器学习方法在天文学领域得到了广泛应用且不断发展，但目前天体物理文献中对于实施机器学习模型和报告结果的最佳实践、挑战和局限性，往往尚未完全报道。因此，本文旨在为天文学界的作者、审稿人和编辑提供入门指南，解决该问题，并确保结果的准确性、研究结果的可重复性和方法的实用性。

Oct, 2023

通过贝叶斯优化对于引力波中降低基准、超参数优化的研究，该方法在同样准确度下具有较低的维度，达到参数估计加速的目的。

Oct, 2023

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

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

融合的双中子星 （Binary Neutron Stars，BNSs）在引力波（Gravitational Wave，GW）和电磁（Electromagnetic，EM）光谱中发射信号，在该论文中，作者开发了一种机器学习方法，能够在一秒钟内完成完整的BNS推理，无需进行任何近似计算。

Jul, 2024