論文の概要: Estimating uncertainty of earthquake rupture using Bayesian neural network

• arxiv url: http://arxiv.org/abs/1911.09660v2
• Date: Tue, 11 Apr 2023 20:46:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 20:23:06.884858
• Title: Estimating uncertainty of earthquake rupture using Bayesian neural network
• Title（参考訳）: ベイズニューラルネットワークによる地震破断の不確実性の推定
• Authors: Sabber Ahamed and Md Mesbah Uddin
• Abstract要約: モデルのトレーニングとテストには,2,000の破断シミュレーションが使用されている。 その結果, 破断伝播のパラメータは破断停止よりも高い不確実性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian neural networks (BNN) are the probabilistic model that combines the strengths of both neural network (NN) and stochastic processes. As a result, BNN can combat overfitting and perform well in applications where data is limited. Earthquake rupture study is such a problem where data is insufficient, and scientists have to rely on many trial and error numerical or physical models. Lack of resources and computational expenses, often, it becomes hard to determine the reasons behind the earthquake rupture. In this work, a BNN has been used (1) to combat the small data problem and (2) to find out the parameter combinations responsible for earthquake rupture and (3) to estimate the uncertainty associated with earthquake rupture. Two thousand rupture simulations are used to train and test the model. A simple 2D rupture geometry is considered where the fault has a Gaussian geometric heterogeneity at the center, and eight parameters vary in each simulation. The test F1-score of BNN (0.8334), which is 2.34% higher than plain NN score. Results show that the parameters of rupture propagation have higher uncertainty than the rupture arrest. Normal stresses play a vital role in determining rupture propagation and are also the highest source of uncertainty, followed by the dynamic friction coefficient. Shear stress has a moderate role, whereas the geometric features such as the width and height of the fault are least significant and uncertain.
• Abstract（参考訳）: ベイズニューラルネットワーク(BNN)は、ニューラルネットワーク(NN)と確率過程の両方の強度を組み合わせた確率モデルである。 結果として、BNNは、データが制限されているアプリケーションにおいて、過度に適合し、うまく機能する。 地震の破壊研究はデータが不十分であるような問題であり、科学者は多くの試行錯誤の数値モデルや物理モデルに頼る必要がある。 資源の不足と計算費用は、しばしば地震発生の背景にある理由を特定することが困難になる。 本研究では,(1)小規模データ問題に対処し,(2)地震発生の原因となるパラメータの組み合わせを明らかにするため,(3)地震発生に伴う不確かさを推定するために,bnnが用いられている。 モデルのトレーニングとテストには、2千の破壊シミュレーションが使用される。 単純な2次元破壊幾何学では、断層の中央にガウス幾何学的異質性があり、各シミュレーションで8つのパラメータが変化する。 BNN(0.8334)のテストF1スコアは、通常のNNスコアよりも2.34%高い。 その結果, 破断伝播のパラメータは破断停止よりも高い不確実性を示した。 通常の応力は破断伝播を決定する上で重要な役割を担い、次いで動的摩擦係数が続く不確実性の最も高い源でもある。 せん断応力は適度な役割を持つが、断層の幅や高さなどの幾何学的特徴は最も重要で不確実である。

関連論文リスト

• On the importance of learning non-local dynamics for stable data-driven climate modeling: A 1D gravity wave-QBO testbed [0.0]
  機械学習(ML)技術は、気候モデルのためのサブグリッドスケールパラメータ化の学習において有望であることを示している。 しかし、データ駆動パラメータ化の大きな問題はモデル不安定性である。 ここでは、ML理論と気候物理を組み合わせて、NNベースのパラメータ化における不安定性の源となる問題に対処する。
  論文  参考訳（メタデータ） (2024-07-07T01:15:52Z)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• Physics Informed Neural Network for Dynamic Stress Prediction [10.588266927411434]
  有限要素シミュレーションに基づいて, 応力分布の全列を予測するために, 物理インフォームドニューラルネットワーク(PINN)モデルを提案する。 自動微分を用いて、深層ニューラルネットワークの損失関数にPDEを埋め込み、測定やPDEからの情報を取り込む。 PINN-Stressモデルは、ほぼリアルタイムで応力分布の列を予測でき、PINNなしではモデルよりも良く一般化できる。
  論文  参考訳（メタデータ） (2022-11-28T16:03:21Z)
• On the Neural Tangent Kernel Analysis of Randomly Pruned Neural Networks [91.3755431537592]
  ニューラルネットワークのニューラルカーネル(NTK)に重みのランダムプルーニングが及ぼす影響について検討する。 特に、この研究は、完全に接続されたニューラルネットワークとそのランダムに切断されたバージョン間のNTKの等価性を確立する。
  論文  参考訳（メタデータ） (2022-03-27T15:22:19Z)
• The mathematics of adversarial attacks in AI -- Why deep learning is unstable despite the existence of stable neural networks [69.33657875725747]
  固定アーキテクチャを用いた分類問題に対するニューラルネットワークのトレーニングに基づくトレーニング手順が,不正確あるいは不安定なニューラルネットワーク(正確であれば)を生み出すことを証明している。 鍵となるのは、安定かつ正確なニューラルネットワークは入力に依存する可変次元を持つ必要があり、特に、可変次元は安定性に必要な条件である。 我々の結果は、正確で安定したニューラルネットワークが存在するというパラドックスを示しているが、現代のアルゴリズムはそれらを計算していない。
  論文  参考訳（メタデータ） (2021-09-13T16:19:25Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• Classification of fNIRS Data Under Uncertainty: A Bayesian Neural Network Approach [0.15229257192293197]
  オープンアクセスデータセット上でバイナリ分類を行うために,ベイズニューラルネットワーク(bnn)を使用する。 私たちのモデルは、ボランティア30人に対して86.44%の全体的な分類精度を作り出した。
  論文  参考訳（メタデータ） (2021-01-18T15:43:59Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Fairness Through Robustness: Investigating Robustness Disparity in Deep Learning [61.93730166203915]
  我々は、モデルが敵の攻撃に弱い場合、従来の公平性の概念では不十分であると主張する。 頑健性バイアスを測定することはDNNにとって難しい課題であり,この2つの方法を提案する。
  論文  参考訳（メタデータ） (2020-06-17T22:22:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。