論文の概要: Winning with Simple Learning Models: Detecting Earthquakes in Groningen, the Netherlands

• arxiv url: http://arxiv.org/abs/2007.03924v1
• Date: Wed, 8 Jul 2020 07:06:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 13:32:55.741418
• Title: Winning with Simple Learning Models: Detecting Earthquakes in Groningen, the Netherlands
• Title（参考訳）: 簡単な学習モデルによる勝利:オランダ・グロニンゲンの地震検出
• Authors: Umair bin Waheed, Ahmed Shaheen, Mike Fehler, Ben Fulcher
• Abstract要約: 近年、地震学者は低等級地震の検出における深層学習アルゴリズムの有効性を実証している。 ここでは, 特徴抽出を伴うロジスティック回帰モデルを用いて, 地震イベント検出の問題点を再検討する。 訓練可能なパラメータを5つしか持たない単純な学習モデルを用いて,グローニンゲンガス田からの低マグニチュード誘導地震を検出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning is fast emerging as a potential disruptive tool to tackle longstanding research problems across the sciences. Notwithstanding its success across disciplines, the recent trend of the overuse of deep learning is concerning to many machine learning practitioners. Recently, seismologists have also demonstrated the efficacy of deep learning algorithms in detecting low magnitude earthquakes. Here, we revisit the problem of seismic event detection but using a logistic regression model with feature extraction. We select well-discriminating features from a huge database of time-series operations collected from interdisciplinary time-series analysis methods. Using a simple learning model with only five trainable parameters, we detect several low-magnitude induced earthquakes from the Groningen gas field that are not present in the catalog. We note that the added advantage of simpler models is that the selected features add to our understanding of the noise and event classes present in the dataset. Since simpler models are easy to maintain, debug, understand, and train, through this study we underscore that it might be a dangerous pursuit to use deep learning without carefully weighing simpler alternatives.
• Abstract（参考訳）: ディープラーニングは、科学全体の長年の研究課題に対処するための破壊的なツールとして急速に発展しつつある。 その成功にもかかわらず、近年のディープラーニングの過剰使用傾向は、多くの機械学習実践者に関係している。 近年、地震学者は低等級地震の検出における深層学習アルゴリズムの有効性を実証している。 本稿では,地震イベント検出の問題を再考するが,特徴抽出を伴うロジスティック回帰モデルを用いる。 我々は,学際的時系列解析手法から収集した時系列操作の膨大なデータベースから,特徴を適切に識別する。 トレーニング可能なパラメータを5つしか持たない単純な学習モデルを用いて,グロニンゲンガス田からの低マグニチュード誘発地震を複数検出する。 よりシンプルなモデルの利点として、選択された機能は、データセットに存在するノイズやイベントクラスを理解するのに役立ちます。 シンプルなモデルは、メンテナンス、デバッグ、理解、トレーニングが容易であるため、よりシンプルな選択肢を慎重に検討することなく、ディープラーニングを使用するのは危険である、という結論に達しています。

関連論文リスト

• RECOVAR: Representation Covariances on Deep Latent Spaces for Seismic Event Detection [0.0]
  生波形から地震を検出することを学習する地震検出の教師なし手法を開発した。 パフォーマンスは、いくつかの最先端の教師付きメソッドと同等であり、場合によっては同等である。 このアプローチは、他のドメインからの時系列データセットに有用である可能性がある。
  論文  参考訳（メタデータ） (2024-07-25T21:33:54Z)
• Exploring Challenges in Deep Learning of Single-Station Ground Motion Records [0.0]
  実験の結果,P相とS相の到着情報に強く依存していることが判明した。 本研究は, 現場における潜在的なギャップを浮き彫りにして, 単一局地動記録の深層学習のためのロバストな手法が欠如していることを示唆する。
  論文  参考訳（メタデータ） (2024-03-12T11:56:50Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• On Inductive Biases for Machine Learning in Data Constrained Settings [0.0]
  この論文は、データ制約された設定で表現力のあるモデルを学ぶという問題に対する異なる答えを探求する。 ニューラルネットワークを学ぶために、大きなデータセットに頼るのではなく、データ構造を反映した既知の関数によって、いくつかのモジュールを置き換えるつもりです。 我々のアプローチは「帰納的バイアス」のフードの下に置かれており、これは探索するモデルの空間を制限する手元にあるデータの仮説として定義することができる。
  論文  参考訳（メタデータ） (2023-02-21T14:22:01Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• Deep vs. Shallow Learning: A Benchmark Study in Low Magnitude Earthquake Detection [0.0]
  弾性ネット駆動データマイニングによる4つの機能の追加により,既存のロジスティック回帰モデルを構築した。 我々は,Groningenデータに基づいて事前学習したディープ(CNN)モデルに対する拡張ロジスティック回帰モデルの性能を,段階的に増加する雑音-信号比に基づいて評価する。 各比について、我々のロジスティック回帰モデルがすべての地震を正確に検出するのに対し、深部モデルは地震の約20%を検出できないことを発見した。
  論文  参考訳（メタデータ） (2022-05-01T17:59:18Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Data-efficient Weakly-supervised Learning for On-line Object Detection under Domain Shift in Robotics [24.878465999976594]
  文献では、Deep Convolutional Neural Networks (DCNNs)に基づく多数のオブジェクト検出方法が提案されている。 これらの手法はロボティクスに重要な制限がある:オフラインデータのみに学習するとバイアスが発生し、新しいタスクへの適応を防ぐことができる。 本研究では,弱い教師付き学習がこれらの問題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2020-12-28T16:36:11Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)

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。