論文の概要: Towards fast machine-learning-assisted Bayesian posterior inference of realistic microseismic events

• arxiv url: http://arxiv.org/abs/2101.04724v1
• Date: Tue, 12 Jan 2021 19:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 05:39:47.953003
• Title: Towards fast machine-learning-assisted Bayesian posterior inference of realistic microseismic events
• Title（参考訳）: リアルな微小地震事象のベイジアン後方推定を指向した高速機械学習
• Authors: Davide Piras, Alessio Spurio Mancini, Benjamin Joachimi, Michael P. Hobson
• Abstract要約: 記録された圧力波のパワースペクトルに基づいて機械学習アルゴリズムを訓練する。 当社のアプローチは計算コストが低く,商用ラップトップ上で1時間以内で実行可能であることが分かりました。
• 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 inference applied to microseismic activity monitoring allows for principled estimation of the coordinates of microseismic events from recorded seismograms, and their associated uncertainties. However, forward modelling of these microseismic events, necessary to perform Bayesian source inversion, can be prohibitively expensive in terms of computational resources. A viable solution is to train a surrogate model based on machine learning techniques, to emulate the forward model and thus accelerate Bayesian inference. In this paper, we improve on previous work, which considered only sources with isotropic moment tensor. We train a machine learning algorithm on the power spectrum of the recorded pressure wave and show that the trained emulator allows for the complete and fast retrieval of the event coordinates for $\textit{any}$ source mechanism. Moreover, we show that our approach is computationally inexpensive, as it can be run in less than 1 hour on a commercial laptop, while yielding accurate results using less than $10^4$ training seismograms. We additionally demonstrate how the trained emulators can be used to identify the source mechanism through the estimation of the Bayesian evidence. This work lays the foundations for the efficient localisation and characterisation of any recorded seismogram, thus helping to quantify human impact on seismic activity and mitigate seismic hazard.
• Abstract（参考訳）: 微小地震活動モニタリングに応用されたベイズ推定は、記録された地震計からの微小地震事象の座標とその関連する不確かさを原理的に推定することができる。 しかしながら、これらのマイクロ地震事象の前方モデリングは、ベイズ源の反転を行うのに必要であり、計算資源の面では極めて高価である。 実現可能な解決策は、機械学習技術に基づくサロゲートモデルをトレーニングし、前方モデルをエミュレートし、ベイズ推論を加速することだ。 本稿では,等方性モーメントテンソルのソースのみを考慮した先行研究について改善する。 記録された圧力波のパワースペクトルに基づいて機械学習アルゴリズムをトレーニングし、トレーニングされたエミュレータが$\textit{any}$ソースメカニズムのイベント座標の完全かつ高速な検索を可能にすることを示す。 さらに,本手法は商用ノートパソコン上で1時間未満で動作可能であり,トレーニング地震計10^4ドル以下で正確な結果が得られるため,計算コストが低いことを示す。 さらに,ベイズ証拠を推定することにより,トレーニングしたエミュレータを用いてソースメカニズムを同定する方法を実証する。 この研究は、記録された地震計の効率的な局所化と特徴付けの基礎を築き、地震活動に対する人間の影響を定量化し、地震の危険を軽減するのに役立つ。

関連論文リスト

• Rapid Bayesian identification of sparse nonlinear dynamics from scarce and noisy data [2.3018169548556977]
  我々はベイジアンフレームワーク内でSINDy法をリキャストし、ガウス近似を用いて計算を高速化する。 ベイジアン・シンディは推定したパラメータの不確かさを定量化するが、限られたノイズのあるデータから正しいモデルを学ぶ際にもより堅牢である。
  論文  参考訳（メタデータ） (2024-02-23T14:41:35Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Joint Microseismic Event Detection and Location with a Detection Transformer [8.505271826735118]
  イベント検出とソース位置をひとつのフレームワークに統合する手法を提案する。 提案するネットワークは、ランダムな震源位置に対応する複数の微小地震事象をシミュレートした合成データに基づいて訓練される。
  論文  参考訳（メタデータ） (2023-07-16T10:56:46Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Adversarial robustness of amortized Bayesian inference [3.308743964406687]
  償却ベイズ推論は、当初シミュレーションデータ上の推論ネットワークのトレーニングに計算コストを投資することを目的としている。 観測対象のほとんど認識不能な摂動は、予測された後部および非現実的な後部予測標本に劇的な変化をもたらす可能性があることを示す。 本研究では,条件密度推定器のフィッシャー情報をペナライズした計算効率の高い正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T10:18:45Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Demonstration-Efficient Guided Policy Search via Imitation of Robust Tube MPC [36.3065978427856]
  我々は,計算コストのかかるモデル予測制御器(MPC)を,深層ニューラルネットワークとImitation Learning(IL)に基づくより計算効率の良い表現に圧縮する戦略を提案する。 MPCのロバスト管変種(RTMPC)を生成し,その特性を活用することにより,高実演効率を実現するデータ拡張手法を提案する。 本手法は, DAgger や Domain Randomization などの IL において, 実演効率, 摂動に対する頑健性において, トレーニング中に見つからない戦略よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-21T01:50:19Z)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)

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。