論文の概要: Exploring Challenges in Deep Learning of Single-Station Ground Motion Records

• arxiv url: http://arxiv.org/abs/2403.07569v1
• Date: Tue, 12 Mar 2024 11:56:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 21:44:03.424347
• Title: Exploring Challenges in Deep Learning of Single-Station Ground Motion Records
• Title（参考訳）: シングルステーション地動記録の深層学習における課題の検討
• Authors: \"Umit Mert \c{C}a\u{g}lar, Baris Yilmaz, Melek T\"urkmen, Erdem Akag\"und\"uz, Salih Tileylioglu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contemporary deep learning models have demonstrated promising results across various applications within seismology and earthquake engineering. These models rely primarily on utilizing ground motion records for tasks such as earthquake event classification, localization, earthquake early warning systems, and structural health monitoring. However, the extent to which these models effectively learn from these complex time-series signals has not been thoroughly analyzed. In this study, our objective is to evaluate the degree to which auxiliary information, such as seismic phase arrival times or seismic station distribution within a network, dominates the process of deep learning from ground motion records, potentially hindering its effectiveness. We perform a hyperparameter search on two deep learning models to assess their effectiveness in deep learning from ground motion records while also examining the impact of auxiliary information on model performance. Experimental results reveal a strong reliance on the highly correlated P and S phase arrival information. Our observations highlight a potential gap in the field, indicating an absence of robust methodologies for deep learning of single-station ground motion recordings independent of any auxiliary information.
• Abstract（参考訳）: 現代のディープラーニングモデルは地震学と地震工学の様々な応用において有望な結果を示している。 これらのモデルは主に地震イベントの分類、局所化、地震早期警報システム、構造的健康モニタリングなどのタスクに地動記録を活用することに依存している。 しかし、これらのモデルがこれらの複雑な時系列信号から効果的に学習する程度は、完全には分析されていない。 本研究の目的は,ネットワーク内の地震相到着時間や地震局分布などの補助情報が,地動記録からの深層学習の過程を支配しているかを評価することであり,その効果を阻害する可能性がある。 本研究では,2つの深層学習モデルのハイパーパラメータ探索を行い,地震動記録による深層学習の有効性を評価し,補助情報の影響を検証した。 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おり,補助情報とは無関係に単変地動記録の深層学習にロバストな手法が欠如していることを示している。

関連論文リスト

• Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting [1.4854797901022863]
  既成の基盤モデルの総合的な評価を欠いている。 我々はMultiFoundationQuakeとGNNCoderという2つのイノベーションアプローチを紹介した。 我々は,南カリフォルニアの0.1度空間ビン内における今後14日間の時系列予測問題として,地震予報を定式化した。
  論文  参考訳（メタデータ） (2024-08-21T20:57:03Z)
• Controllable seismic velocity synthesis using generative diffusion models [4.2193475197905705]
  本研究では, 地震波速度合成のための条件付き生成拡散モデルを提案する。 このアプローチは、予測された目標分布と密接に一致する地震波速度の生成を可能にする。 OpenFWIデータセット上での拡散モデルのトレーニングにより,本手法の柔軟性と有効性を示す。
  論文  参考訳（メタデータ） (2024-02-09T09:41:26Z)
• FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model for Fault Recognition [13.339333273943842]
  本稿では,自己教師付き事前学習による地震断層認識の高度化手法を提案する。 我々は,Swin Transformerモデルをコアネットワークとして採用し,SimMIMプレトレーニングタスクを用いて,地震データにおける不連続性に関連する特徴を抽出した。 実験の結果,提案手法は,OISおよびODS測定値から,Thebeデータセット上での最先端性能を実現することができた。
  論文  参考訳（メタデータ） (2023-10-27T08:38:59Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
  主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。 機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。 提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
  論文  参考訳（メタデータ） (2021-08-11T18:05:55Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)
• Winning with Simple Learning Models: Detecting Earthquakes in Groningen, the Netherlands [0.0]
  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。
  論文  参考訳（メタデータ） (2020-07-08T07:06:09Z)

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。