論文の概要: Broadband Ground Motion Synthesis by Diffusion Model with Minimal Condition

• arxiv url: http://arxiv.org/abs/2412.17333v1
• Date: Mon, 23 Dec 2024 06:56:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:52:34.776699
• Title: Broadband Ground Motion Synthesis by Diffusion Model with Minimal Condition
• Title（参考訳）: 最小条件拡散モデルによる広帯域地盤運動合成
• Authors: Jaeheun Jung, Jaehyuk Lee, Chang-Hae Jung, Hanyoung Kim, Bosung Jung, Donghun Lee,
• Abstract要約: 本研究では,実際の地震データから学習した後に,現実的な波形を確実に生成する特殊潜在拡散モデル(LDM)を提案する。 本研究では,南カリフォルニア地震データセンター (SCEDC) API を用いた時整列地震データセットを構築した。 我々のモデルは、波形生成領域だけでなく、地震学からも、様々な試験基準において、同等のデータ駆動手法をすべて上回っている。
• 参考スコア（独自算出の注目度）: 3.1285630695933686
• License:
• Abstract: Earthquakes are rare. Hence there is a fundamental call for reliable methods to generate realistic ground motion data for data-driven approaches in seismology. Recent GAN-based methods fall short of the call, as the methods either require special information such as geological traits or generate subpar waveforms that fail to satisfy seismological constraints such as phase arrival times. We propose a specialized Latent Diffusion Model (LDM) that reliably generates realistic waveforms after learning from real earthquake data with minimal conditions: location and magnitude. We also design a domain-specific training method that exploits the traits of earthquake dataset: multiple observed waveforms time-aligned and paired to each earthquake source that are tagged with seismological metadata comprised of earthquake magnitude, depth of focus, and the locations of epicenter and seismometers. We construct the time-aligned earthquake dataset using Southern California Earthquake Data Center (SCEDC) API, and train our model with the dataset and our proposed training method for performance evaluation. Our model surpasses all comparable data-driven methods in various test criteria not only from waveform generation domain but also from seismology such as phase arrival time, GMPE analysis, and spectrum analysis. Our result opens new future research directions for deep learning applications in seismology.
• Abstract（参考訳）: 地震は珍しい。 そのため、地震学におけるデータ駆動型アプローチのための現実的な地動データを生成するための信頼性の高い手法が求められている。 GANに基づく最近の手法は、地質特性などの特別な情報を必要とするか、位相到着時間などの地震学的制約を満たさないサブパー波形を生成するため、呼び出しに間に合わない。 本研究では, 位置と大きさの最小条件で実地震データから学習した後に, リアルな波形を確実に生成する特殊潜在拡散モデル(LDM)を提案する。 また, 地震の震源として, 震度, 震源深度, 震源および震源の位置をタグ付けした複数の観測波形と, 地震源の時間的整合とペアリングを行う。 本研究では,南カリフォルニア地震データセンター (SCEDC) API を用いた時整列地震データセットを構築し,そのモデルにデータセットと提案手法を用いた性能評価のトレーニング手法を提案する。 我々のモデルは、波形生成領域だけでなく、位相到着時間、GMPE分析、スペクトル解析などの地震学からも、様々な試験基準で比較可能なすべてのデータ駆動手法を上回ります。 本研究は,地震学における深層学習のための新たな研究方向を開拓するものである。

関連論文リスト

• High Resolution Seismic Waveform Generation using Denoising Diffusion [3.5046784866523932]
  本研究では, 高周波波形生成のための新しい, 効率的, スケーラブルな生成モデルを提案する。 地震波形データのスペクトログラム表現を、オートエンコーダを介して低次元のサブ多様体に還元する。 最先端拡散モデルを用いて、キー入力パラメータを条件に、この潜伏表現を生成する。
  論文  参考訳（メタデータ） (2024-10-25T07:01:48Z)
• SeisLM: a Foundation Model for Seismic Waveforms [9.064547137948743]
  本稿では地震波形解析モデルである地震言語モデル(SeisLM)を紹介する。 SeisLMは、自己監督型コントラスト損失を用いて、オープンソースの地震データセットの大規模なコレクションに事前訓練されている。 微調整された場合、SeesLMはイベント検出、フェーズピッキング、オンセット時間回帰、フォアソック・アフターショック分類といった地震学的なタスクに優れる。
  論文  参考訳（メタデータ） (2024-10-21T08:24:44Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• EarthquakeNPP: Benchmark Datasets for Earthquake Forecasting with Neural Point Processes [0.0]
  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。
  論文  参考訳（メタデータ） (2024-09-27T16:06:17Z)
• 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)
• Learning Physics for Unveiling Hidden Earthquake Ground Motions via Conditional Generative Modeling [43.056135090637646]
  地盤運動の条件生成モデル(CGM-GM) 本研究では, 高周波・空間連続地震動波形を合成する人工知能シミュレータを提案する。 CGM-GMは、最先端の非エルゴディックな地上運動モデルよりも優れた可能性を示す。
  論文  参考訳（メタデータ） (2024-07-21T08:23:37Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Seismic-phase detection using multiple deep learning models for global and local representations of waveforms [0.0]
  近年の機械学習により,波形データから地震の自動検出が可能になった。 本研究では,ディープラーニングを用いた新しい位相検出手法を提案し,検証した。 提案手法の新規性は,大域的および局所的な波形表現のための個別な学習戦略である。
  論文  参考訳（メタデータ） (2022-11-04T04:37:04Z)
• 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。