論文の概要: Double Difference Earthquake Location with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2410.19323v1
• Date: Fri, 25 Oct 2024 06:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:33:33.172533
• Title: Double Difference Earthquake Location with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた二重差分地震探査
• Authors: Ian W. McBrearty, Gregory C. Beroza,
• Abstract要約: グラフ・ニューラルネットを用いた地震の二重差分配置フレームワークGraph Double difference (GraphDD)を提案する。 私たちのアーキテクチャでは、ステーションを表すために1つのグラフ、ソースを表すための2番目のグラフを使用し、その2つの間に製品グラフを作成します。 我々は,北カリフォルニア,トルクニエ,チリの地震活動を含む,いくつかの異なる試験事例について,本モデルを実装した。
• 参考スコア（独自算出の注目度）: 0.2302001830524133
• License:
• Abstract: Double difference earthquake relocation is an essential component of many earthquake catalog development workflows. This technique produces high-resolution relative relocations between events by minimizing differential measurements of the arrival times of waves from nearby sources, which highlights the resolution of faults and improves interpretation of seismic activity. The inverse problem is typically solved iteratively using conjugate-gradient minimization, however the cost scales significantly with the total number of sources and stations considered. Here we propose a Graph Neural Network (GNN) based earthquake double-difference relocation framework, Graph Double Difference (GraphDD), that is trained to minimize the double-difference residuals of a catalog to locate earthquakes. Through batching and sampling the method can scale to arbitrarily large catalogs. Our architecture uses one graph to represent the stations, a second graph to represent the sources, and creates the Cartesian product graph between the two graphs to capture the relationships between the stations and sources (e.g., the residuals and travel time partial derivatives). This key feature allows a natural architecture that can be used to minimize the double-difference residuals. We implement our model on several distinct test cases including seismicity from northern California, Turkiye, and northern Chile, which have highly variable data quality, and station and source distributions. We obtain high resolution relocations in these tests, and our model shows adaptability to variable types of loss functions and location objectives, including learning station corrections and mapping into the reference frame of a different catalog. Our results suggest that a GNN approach to double-difference relocation is a promising direction for scaling to very large catalogs and gaining new insights into the relocation problem.
• Abstract（参考訳）: 二重差分地震再配置は多くの地震カタログ開発ワークフローに欠かせない要素である。 本手法は, 震源からの波の到来時刻の差分測定を最小化し, 断層の分解能を高め, 地震活動の解釈を改善することにより, 事象間の相対移動を高精度に行う。 逆問題は通常、共役段階の最小化を用いて反復的に解決されるが、コストは考慮されるソースやステーションの総数と大きく異なる。 本稿では, グラフニューラルネットワーク(GNN)に基づく地震の二重差分再構成フレームワークであるグラフ二重差分(Graph Double difference)を提案する。 バッチ処理とサンプリングによって、任意の規模のカタログにスケールすることができる。 我々のアーキテクチャでは、各局を表すために1つのグラフと2つ目のグラフを使い、2つのグラフの間のカルト積グラフを作成して、ステーションとソースの関係(例えば、残差と移動時間偏微分)を捉える。 このキーとなる機能は、二重差分残差を最小限にするために使える自然なアーキテクチャを可能にする。 我々は,北カリフォルニア,トルクニエ,北チリの地震活動,高度に変動するデータ品質,局部および震源分布など,いくつかの異なる試験事例に本モデルを適用した。 これらの実験で高分解能な転位が得られ,そのモデルでは,異なるカタログの参照フレームへの変換や学習ステーションの修正を含む,様々なタイプの損失関数や位置目標への適応性を示す。 提案手法は,大規模カタログへのスケールアップと転位問題に対する新たな洞察を得る上で有望な方向であると考えられる。

関連論文リスト

• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
  特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。 これにより、ランドマークの種類は両方のソースから観測できなければならない。 車両軌道推定のための動的重み付き因子グラフモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-13T12:44:14Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Earthquake Phase Association with Graph Neural Networks [0.571097144710995]
  フェーズアソシエイト問題を解決するために,グラフネットワーク・アソシエイト・アソシエイト・アソシエイトを開発する。 我々は合成データを訓練し、北カリフォルニア(NC)の地震ネットワークからの実データでその方法をテストする。 以上の結果から, 複雑な地震モニタリング条件下では, GENIEが相関を効果的に解決できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-15T06:53:17Z)
• Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
  グラフニューラルネットワークを用いた新しい故障検出手法を提案する。 AIと現実世界のメカニカルシステムの間に橋を架けている。 提案手法は, 通常の対象領域に混在する異常物体を検出する。
  論文  参考訳（メタデータ） (2022-04-24T08:54:55Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Dual Geometric Graph Network (DG2N) -- Iterative network for deformable shape alignment [8.325327265120283]
  局所的特徴が写像確率である双対グラフ構造を用いて幾何学的モデルを整列する新しい手法を提案する。 メッシュと点の雲の高速で安定な解における伸縮性ドメインのアライメントに関する技術成果を報告する。
  論文  参考訳（メタデータ） (2020-11-30T12:03:28Z)
• Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
  グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。 第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。 第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。 ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
  論文  参考訳（メタデータ） (2020-07-21T04:59:15Z)

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。