論文の概要: RECOVAR: Representation Covariances on Deep Latent Spaces for Seismic Event Detection

• arxiv url: http://arxiv.org/abs/2407.18402v2
• Date: Thu, 17 Oct 2024 12:19:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-08 14:50:05.170682
• Title: RECOVAR: Representation Covariances on Deep Latent Spaces for Seismic Event Detection
• Title（参考訳）: RECOVAR:地震イベント検出のための深部潜時空間上の表現共分散
• Authors: Onur Efe, Arkadas Ozakin,
• Abstract要約: 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。
• 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: While modern deep learning methods have shown great promise in the problem of earthquake detection, the most successful methods so far have been based on supervised learning, which requires large datasets with ground-truth labels. The curation of such datasets is both time consuming and prone to systematic biases, which result in difficulties with cross-dataset generalization, hindering general applicability. In this paper, we develop an unsupervised method for earthquake detection that learns to detect earthquakes from raw waveforms, without access to ground truth labels. The performance is comparable to, and in some cases better than, some state-of-the-art supervised methods. Moreover, the method has strong \emph{cross-dataset generalization} performance. The algorithm utilizes deep autoencoders that learn to reproduce the waveforms after a data-compressive bottleneck and uses a simple, cross-covariance-based triggering algorithm at the bottleneck for labeling. The approach has the potential to be useful for time series datasets from other domains.
• Abstract（参考訳）: 現代の深層学習手法は地震検出の課題において大きな可能性を秘めているが、最も成功した方法は教師付き学習に基づいており、そこでは地上構造ラベルを持つ大規模なデータセットが必要である。 このようなデータセットのキュレーションは時間がかかり、体系的なバイアスが生じる傾向があるため、クロスデータセットの一般化が困難になり、一般的な適用性が妨げられる。 本稿では,地中真理ラベルにアクセスせずに生波形から地震を検出できる地震検出手法を開発する。 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。 さらに、この手法は強い \emph{cross-dataset generalization} 性能を持つ。 このアルゴリズムはディープオートエンコーダを利用して、データ圧縮ボトルネック後の波形を再現し、ラベル付けのボトルネックに単純な共分散に基づくトリガーアルゴリズムを使用する。 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。

関連論文リスト

• A convolutional neural network approach to deblending seismic data [1.5488464287814563]
  本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。 地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。 ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
  論文  参考訳（メタデータ） (2024-09-12T10:54:35Z)
• Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
  雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。 このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
  論文  参考訳（メタデータ） (2024-01-29T03:42:37Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Unsupervised Anomaly Detection via Nonlinear Manifold Learning [0.0]
  異常は、残りのデータから著しく逸脱するサンプルであり、その検出は機械学習モデルを構築する上で大きな役割を果たす。 非線形多様体学習に基づく頑健で効率的かつ解釈可能な手法を導入し,教師なし設定における異常を検出する。
  論文  参考訳（メタデータ） (2023-06-15T18:48:10Z)
• AnoRand: A Semi Supervised Deep Learning Anomaly Detection Method by Random Labeling [0.0]
  異常検出(英: Anomaly detection)またはより一般的には異常検出(英: outliers detection)は、理論的および応用機械学習において最も人気があり、課題の1つである。 我々は、ディープラーニングアーキテクチャとランダムな合成ラベル生成を組み合わせることで、textbfAnoRandと呼ばれる新しい半教師付き異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-05-28T10:53:34Z)
• Anomaly Detection with Ensemble of Encoder and Decoder [2.8199078343161266]
  電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。 本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。 ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-11T15:49:29Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Unsupervised seismic facies classification using deep convolutional autoencoder [0.0]
  地震相解析への自動手法の適用は、特定の通訳者の手作業や主観性を著しく低下させる可能性がある。 手動でラベル付けした例を必要としない震源域分類に深部畳み込みオートエンコーダを適用した。
  論文  参考訳（メタデータ） (2020-08-05T08:33:09Z)

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。