Fugu-MT 論文翻訳(概要): Denoising of Geodetic Time Series Using Spatiotemporal Graph Neural Networks: Application to Slow Slip Event Extraction

論文の概要: Denoising of Geodetic Time Series Using Spatiotemporal Graph Neural Networks: Application to Slow Slip Event Extraction

arxiv url: http://arxiv.org/abs/2405.03320v1
Date: Mon, 6 May 2024 09:55:11 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 14:15:50.978556
Title: Denoising of Geodetic Time Series Using Spatiotemporal Graph Neural Networks: Application to Slow Slip Event Extraction
Title（参考訳）: 時空間グラフニューラルネットを用いた測地時系列の復調:スリップイベント抽出への応用
Authors: Giuseppe Costantino, Sophie Giffard-Roisin, Mauro Dalla Mura, Anne Socquet,
Abstract要約: 我々は、SSE関連変位をサブミリ精度で明らかにするために、ノイズの潜時特性を学習するグラフベースの減衰デノイザであるSSE SSEdenoisを設計する。提案手法をカスカディア沈み込み帯に適用し,SSEは地殻変動とともに発生する。
参考スコア（独自算出の注目度）: 2.659901499016884
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Geospatial data has been transformative for the monitoring of the Earth, yet, as in the case of (geo)physical monitoring, the measurements can have variable spatial and temporal sampling and may be associated with a significant level of perturbations degrading the signal quality. Denoising geospatial data is, therefore, essential, yet often challenging because the observations may comprise noise coming from different origins, including both environmental signals and instrumental artifacts, which are spatially and temporally correlated, thus hard to disentangle. This study addresses the denoising of multivariate time series acquired by irregularly distributed networks of sensors, requiring specific methods to handle the spatiotemporal correlation of the noise and the signal of interest. Specifically, our method focuses on the denoising of geodetic position time series, used to monitor ground displacement worldwide with centimeter- to-millimeter precision. Among the signals affecting GNSS data, slow slip events (SSEs) are of interest to seismologists. These are transients of deformation that are weakly emerging compared to other signals. Here, we design SSEdenoiser, a multi-station spatiotemporal graph-based attentive denoiser that learns latent characteristics of GNSS noise to reveal SSE-related displacement with sub-millimeter precision. It is based on the key combination of graph recurrent networks and spatiotemporal Transformers. The proposed method is applied to the Cascadia subduction zone, where SSEs occur along with bursts of tectonic tremors, a seismic rumbling identified from independent seismic recordings. The extracted events match the spatiotemporal evolution of tremors. This good space-time correlation of the denoised GNSS signals with the tremors validates the proposed denoising procedure.
Abstract（参考訳）: 地球空間データは、地球を観測するために変換されてきたが、(地球)物理観測の場合のように、測定値は、空間的および時間的に異なるサンプリングを持ち、信号の品質を低下させるかなりのレベルの摂動と関連付けられる可能性がある。そのため、地理空間データのデノベーションは必須であるが、環境信号と楽器の人工物の両方を含む様々な起源から発生するノイズを伴っていて、空間的・時間的に相関しているため、解離しにくいため、しばしば困難である。本研究では,不規則に分散したセンサネットワークによって得られる多変量時系列の復調に対処し,ノイズと信号の時空間的相関を扱うための具体的な方法を必要とする。具体的には, 測地位置時系列のデノナイズに着目し, 地上の変位をセンチメートルからミリメートルの精度でモニタリングする。 GNSSデータに影響を与える信号のうち、緩やかなすべり現象(SSE)は地震学者にとって興味深いものである。これらは他の信号と比べて弱い変形のトランジェントである。本稿では,GNSSノイズの潜時特性を学習し,SSE関連変位をサブミリ精度で明らかにするマルチステーション時空間グラフベース減衰デノイザであるSSEdenoiserを設計する。グラフリカレントネットワークと時空間変換器のキーの組み合わせに基づいている。提案手法はカスカディア沈み込み帯に適用され,SSEは独立地震記録から同定された地震波である地殻変動のバーストと共に発生する。抽出された事象は、地震の時空間進化と一致する。この優れた時空間GNSS信号と震動との相関は,提案法の有効性を検証している。

関連論文リスト

Evaluating ML Robustness in GNSS Interference Classification, Characterization \& Localization [42.14439854721613]
ジャミング装置は、グローバルナビゲーション衛星システム(GNSS)からの信号を妨害することで重大な脅威をもたらす周波数スナップショット内の異常の検出は、これらの干渉を効果的に対処するために重要である。本稿では,制御されたマルチパス効果を含む大規模環境下での干渉をキャプチャする広範囲なデータセットを提案する。
論文参考訳（メタデータ） (2024-09-23T15:20:33Z)
A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery [9.369246678101048]
本稿では、時間的信号回復のためのコンパクト・フォールド・コングラフ・ネットワーク(CDCN)を提案する。実世界のデータセットの実験では、CDCNは時間的信号回復の最先端モデルよりも大幅に優れていた。
論文参考訳（メタデータ） (2024-08-06T06:42:53Z)
Acceleration Noise Induced Decoherence in Stern-Gerlach Interferometers for Gravity Experiments [0.0]
加速度ノイズは、Stern-Gerlach干渉計のデコヒーレンス問題を引き起こす可能性がある。本稿では,SGIの解析的時間進化演算子に基づいて,これらのデコヒーレンス機構を理論的に研究する。
論文参考訳（メタデータ） (2024-06-16T07:54:34Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文参考訳（メタデータ） (2023-07-17T11:04:27Z)
Characterizing low-frequency qubit noise [55.41644538483948]
量子ビット周波数のゆらぎは、スケーラブルな量子コンピュータへの道のりで克服すべき主要な問題の1つである。ゆらぎの統計は、定期的に繰り返されるラムゼー測定の結果の相関子を測定することで特徴づけられる。この研究は、進化する雑音の存在下での繰り返し測定中に量子力学を記述する方法を提案する。
論文参考訳（メタデータ） (2022-07-04T22:48:43Z)
High-Order Qubit Dephasing at Sweet Spots by Non-Gaussian Fluctuators: Symmetry Breaking and Floquet Protection [55.41644538483948]
非ガウスゆらぎによるqubit dephasingについて検討した。非ガウス雑音に特有の対称性破壊効果を予測する。
論文参考訳（メタデータ） (2022-06-06T18:02:38Z)
A hybrid approach to seismic deblending: when physics meets self-supervision [0.0]
自己教師型デノベーションネットワークをPlug-and-Playフレームワークに組み込んだ新しい概念を導入する。部分的に相関する雑音に対する[28 ]の盲点ネットワークアーキテクチャを設計した新しいネットワークが導入された。ネットワークは、教師付き時間アルゴリズムの各ステップでノイズの多い入力データに基づいて直接訓練される。
論文参考訳（メタデータ） (2022-05-30T19:24:21Z)
Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文参考訳（メタデータ） (2021-10-06T16:08:44Z)
FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise Removal [20.043152870504738]
本稿では,高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去法(FastHyMix)を提案する。これは、スペクトル領域における低ランク性と空間領域における高相関性という、ハイパースペクトルデータの2つの主要な特徴を利用する。提案手法は,サブスペース表現とHSIの相関を利用して,より強力な深度画像を追加することで低ランク化を実現する。
論文参考訳（メタデータ） (2021-09-18T08:35:45Z)
Frequency fluctuations of ferromagnetic resonances at milliKelvin temperatures [50.591267188664666]
ノイズはデバイスの性能、特に量子コヒーレント回路に有害である。最近の研究は、超伝導量子ビットへの単一のマグノンをベースとした量子技術にマグノンシステムを活用するためのルートを実証している。時間的挙動を研究することは、基礎となるノイズ源を特定するのに役立つ。
論文参考訳（メタデータ） (2021-07-14T08:00:37Z)

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。