論文の概要: Deep Convolutional Autoencoders as Generic Feature Extractors in Seismological Applications

• arxiv url: http://arxiv.org/abs/2110.11802v1
• Date: Fri, 22 Oct 2021 14:22:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 15:20:06.895431
• Title: Deep Convolutional Autoencoders as Generic Feature Extractors in Seismological Applications
• Title（参考訳）: 一般特徴抽出器としての深層畳み込みオートエンコーダ
• Authors: Qingkai Kong, Andrea Chiang, Ana C. Aguiar, M. Giselle Fern\'andez-Godino, Stephen C. Myers, Donald D. Lucas
• Abstract要約: 地震学的な異なる用途のために,オートエンコーダを特徴抽出器として用いるという考え方を評価するためのテストを開発した。 これらのテストでは、大量の地震波形に基づいて、未完成または未完成のオートエンコーダを訓練する。 オートエンコーダの特徴抽出手法は,特定の条件下でのみ良好に機能する可能性がある。
• 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: The idea of using a deep autoencoder to encode seismic waveform features and then use them in different seismological applications is appealing. In this paper, we designed tests to evaluate this idea of using autoencoders as feature extractors for different seismological applications, such as event discrimination (i.e., earthquake vs. noise waveforms, earthquake vs. explosion waveforms, and phase picking). These tests involve training an autoencoder, either undercomplete or overcomplete, on a large amount of earthquake waveforms, and then using the trained encoder as a feature extractor with subsequent application layers (either a fully connected layer, or a convolutional layer plus a fully connected layer) to make the decision. By comparing the performance of these newly designed models against the baseline models trained from scratch, we conclude that the autoencoder feature extractor approach may only perform well under certain conditions such as when the target problems require features to be similar to the autoencoder encoded features, when a relatively small amount of training data is available, and when certain model structures and training strategies are utilized. The model structure that works best in all these tests is an overcomplete autoencoder with a convolutional layer and a fully connected layer to make the estimation.
• Abstract（参考訳）: 深部オートエンコーダを用いて地震波形の特徴を符号化し、異なる地震学的な用途で使用するというアイデアは魅力的である。 本稿では, 地震と騒音の波形, 地震と爆発の波形, 位相ピッキングなど, 地震の識別など, 特徴抽出器としてオートエンコーダを用いるというこの考え方を評価するための実験を設計した。 これらのテストでは、未完成または過完全のいずれかのオートエンコーダを大量の地震波形で訓練し、訓練されたエンコーダをその後のアプリケーション層(完全に接続された層または畳み込み層と完全に接続された層)を持つ特徴抽出器として使用する。 これらの新設計モデルの性能をスクラッチからトレーニングしたベースラインモデルと比較することにより,対象課題がオートエンコーダ符号化機能に類似する特徴を必要とする場合,比較的少ないトレーニングデータが存在する場合,特定のモデル構造やトレーニング戦略が利用される場合など,特定の条件下でのみオートエンコーダ特徴抽出器アプローチが有効であると結論づける。 これらのテストで最もうまく機能するモデル構造は、畳み込み層と完全に連結された層を備えたオーバーコンプリートオートエンコーダである。

関連論文リスト

• PITA: Physics-Informed Trajectory Autoencoder [7.394156899576076]
  生成モデルは、エッジケースシナリオを生成するために、生成されたデータで現実世界のデータセットを拡張するために使用することができる。 本稿では,物理力学モデルをオートエンコーダの損失関数に組み込んだ物理インフォームド・トラジェクトリ・オートエンコーダ(PITA)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-18T12:37:41Z)
• Comparative Study on the Performance of Categorical Variable Encoders in Classification and Regression Tasks [11.721062526796976]
  本研究では,(1)入力に対するアフィン変換を暗黙的に実行するAITモデル,2)決定木に基づく木に基づくモデル,3)kNNなどの他のモデルに分類する。 理論的には、データから適切な重みを学習することで、他のエンコーダを模倣できるという意味で、ワンホットエンコーダがAITモデルにとって最良の選択であることを示す。 また、ターゲットエンコーダとその変種が木モデルに適したエンコーダである理由についても説明する。
  論文  参考訳（メタデータ） (2024-01-18T02:21:53Z)
• Are We Using Autoencoders in a Wrong Way? [3.110260251019273]
  オートエンコーダは次元減少、異常検出、特徴抽出に使用される。 潜在空間の形状を変更する不完全なオートエンコーダの標準トレーニングを再考した。 また,データセット全体からランダムサンプルを再構成する場合の潜伏空間の挙動についても検討した。
  論文  参考訳（メタデータ） (2023-09-04T11:22:43Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Latent-Insensitive Autoencoders for Anomaly Detection and Class-Incremental Learning [0.0]
  我々は、類似ドメインからのラベルなしデータを負の例として用いて、正規のオートエンコーダの潜伏層(ブートネック)を形成するLatent-Insensitive Autoencoder (LIS-AE)を紹介した。 本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
  論文  参考訳（メタデータ） (2021-10-25T16:53:49Z)
• Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
  本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。 ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
  論文  参考訳（メタデータ） (2021-07-27T09:56:49Z)
• Autoencoders for unsupervised anomaly detection in high energy physics [105.54048699217668]
  QCDジェット画像の背景にあるトップジェット画像のタグ付けについて検討する。 標準オートエンコーダ設定をモデル非依存の異常タガーとはみなせないことを示す。 モデル非依存異常検出の課題に対する性能改善策を提案する。
  論文  参考訳（メタデータ） (2021-04-19T05:06:57Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。