Fugu-MT 論文翻訳(概要): EarthquakeNPP: Benchmark Datasets for Earthquake Forecasting with Neural Point Processes

論文の概要: EarthquakeNPP: Benchmark Datasets for Earthquake Forecasting with Neural Point Processes

arxiv url: http://arxiv.org/abs/2410.08226v1
Date: Fri, 27 Sep 2024 16:06:17 GMT
ステータス: 処理完了
システム内更新日: 2024-10-31 04:36:03.723970
Title: EarthquakeNPP: Benchmark Datasets for Earthquake Forecasting with Neural Point Processes
Title（参考訳）: 地震NPP:ニューラルポイントプロセスによる地震予報のためのベンチマークデータセット
Authors: Samuel Stockman, Daniel Lawson, Maximilian Werner,
Abstract要約: 我々は,NPPの地震データに対するテストを容易にするベンチマークデータセットの集合であるSmassNPPを紹介する。データセットは1971年から2021年までのカリフォルニアの小さな、あるいは大きなターゲット領域をカバーする。ベンチマーク実験では,3つの分割時間NPPをETASと比較し,空間的,時間的ログ的いずれにおいてもETASよりも優れていないことを確認した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Classical point process models, such as the epidemic-type aftershock sequence (ETAS) model, have been widely used for forecasting the event times and locations of earthquakes for decades. Recent advances have led to Neural Point Processes (NPPs), which promise greater flexibility and improvements over classical models. However, the currently-used benchmark dataset for NPPs does not represent an up-to-date challenge in the seismological community since it lacks a key earthquake sequence from the region and improperly splits training and testing data. Furthermore, initial earthquake forecast benchmarking lacks a comparison to state-of-the-art earthquake forecasting models typically used by the seismological community. To address these gaps, we introduce EarthquakeNPP: a collection of benchmark datasets to facilitate testing of NPPs on earthquake data, accompanied by a credible implementation of the ETAS model. The datasets cover a range of small to large target regions within California, dating from 1971 to 2021, and include different methodologies for dataset generation. In a benchmarking experiment, we compare three spatio-temporal NPPs against ETAS and find that none outperform ETAS in either spatial or temporal log-likelihood. These results indicate that current NPP implementations are not yet suitable for practical earthquake forecasting. However, EarthquakeNPP will serve as a platform for collaboration between the seismology and machine learning communities with the goal of improving earthquake predictability.
Abstract（参考訳）: 流行型アフターショック・シークエンス(ETAS)モデルのような古典的な点過程モデルは、地震の発生時刻や発生場所を数十年にわたって予測するために広く利用されている。近年の進歩は、従来のモデルよりも柔軟性と改善を約束するニューラルポイントプロセス(NPP)に繋がった。しかし, NPPsのベンチマークデータセットは, 地域からの重要な地震シーケンスが欠如しており, トレーニングと試験データを不適切に分割しているため, 地震学コミュニティの最新の課題にはならない。さらに, 地震予報ベンチマークでは, 一般の地震予報モデルとの比較は行われていない。これらのギャップに対処するため,地震NPPは地震データに対するNPPのテストを容易にするベンチマークデータセットの集合であり,ETASモデルの信頼性のある実装を伴っている。データセットは1971年から2021年までのカリフォルニアの小規模から大規模なターゲット領域をカバーし、データセット生成のための異なる方法論を含んでいる。ベンチマーク実験では,3つの時空間NPPをETASと比較し,空間的,時間的ログ的いずれにおいてもETASよりも優れた性能は得られなかった。これらの結果から,現在の NPP 実装は実際的な地震予報には適していないことが示唆された。しかし, 地震NPPは, 地震予測可能性の向上を目標として, 地震学と機械学習コミュニティの連携のためのプラットフォームとして機能する。

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)
Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
論文参考訳（メタデータ） (2024-08-13T04:33:23Z)
Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking [5.71478837100808]
本稿では,地震の規模を計量学習問題として推定する。我々は、Sentinel-1衛星画像から地震の大きさを推定し、さらにペアのサンプルをランク付けするためにモデルを訓練する。実験の結果,従来の回帰のみに基づく手法に比べて最大30%以上のMAEの改善が得られた。
論文参考訳（メタデータ） (2024-07-25T15:35:44Z)
Data-Driven Prediction of Seismic Intensity Distributions Featuring Hybrid Classification-Regression Models [21.327960186900885]
本研究では, 地震パラメータに基づいて地震強度分布を予測できる線形回帰モデルを開発した。このデータセットは、1997年から2020年にかけて日本近海で発生した地震の震度データからなる。提案モデルでは, 従来のGMPEにおける課題として, 異常な震度分布を予測できる。
論文参考訳（メタデータ） (2024-02-03T13:39:22Z)
Generalized Neural Networks for Real-Time Earthquake Early Warning [22.53592578343506]
我々は,任意の局分布を持つ任意の場所で発生した地震をニューラルネットワークトレーニングのために,データ組換え法を用いて生成する。訓練されたモデルは、地震検出とパラメータ評価のための異なる監視装置を備えた様々な地域に適用することができる。我々のモデルは、最初のトリガーステーションから4秒以内に地震の位置とマグニチュードを確実に報告し、平均誤差は2.6-6.3 kmと0.05-0.17である。
論文参考訳（メタデータ） (2023-12-23T10:45:21Z)
Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文参考訳（メタデータ） (2023-11-30T08:22:08Z)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
論文参考訳（メタデータ） (2021-12-26T20:16:20Z)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文参考訳（メタデータ） (2020-02-21T23:10:50Z)
Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。