論文の概要: Spatio-Temporal Graph Structure Learning for Earthquake Detection

• arxiv url: http://arxiv.org/abs/2503.11215v1
• Date: Fri, 14 Mar 2025 09:07:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:06:25.542087
• Title: Spatio-Temporal Graph Structure Learning for Earthquake Detection
• Title（参考訳）: 地震検出のための時空間グラフ構造学習
• Authors: Suchanun Piriyasatit, Ercan Engin Kuruoglu, Mehmet Sinan Ozeren,
• Abstract要約: 本研究では,地震観測所間の静的および動的関係をモデル化するための時空間グラフ畳み込みネットワーク(GCN)を提案する。 提案手法は, マルチステーション波形データを処理し, ステーション固有検出確率を生成する。 実験は、真正レート(TPR)と偽正レート(FPR)の観点から、従来のGCNベースラインよりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 1.6044444452278062
• License:
• Abstract: Earthquake detection is essential for earthquake early warning (EEW) systems. Traditional methods struggle with low signal-to-noise ratios and single-station reliance, limiting their effectiveness. We propose a Spatio-Temporal Graph Convolutional Network (GCN) using Spectral Structure Learning Convolution (Spectral SLC) to model static and dynamic relationships across seismic stations. Our approach processes multi-station waveform data and generates station-specific detection probabilities. Experiments show superior performance over a conventional GCN baseline in terms of true positive rate (TPR) and false positive rate (FPR), highlighting its potential for robust multi-station earthquake detection. The code repository for this study is available at https://github.com/SuchanunP/eq_detector.
• Abstract（参考訳）: 地震早期警報(EEW)システムには地震検出が不可欠である。 従来の手法では、信号と雑音の比率が低く、シングルステーション依存に苦しむため、その効果が制限される。 本研究では, スペクトル構造学習畳み込み (Spectral Structure Learning Convolution, SLC) を用いた時空間グラフ畳み込みネットワーク (GCN) を提案し, 地震観測所間の静的および動的関係をモデル化する。 提案手法は, マルチステーション波形データを処理し, ステーション固有検出確率を生成する。 実験では, 真正比 (TPR) と偽正比 (FPR) の点で従来のGCNベースラインよりも優れた性能を示し, 強靭なマルチステーション地震検出の可能性を強調した。 この研究のコードリポジトリはhttps://github.com/SuchanunP/eq_detector.comで公開されている。

関連論文リスト

• An Attention-based Framework with Multistation Information for Earthquake Early Warnings [10.33741515490406]
  本稿では,地震早期警報システムの強度予測のための深層学習型フレームワークであるSENSEを提案する。 SENSEモデルは、入力局の集合と各局の局所性固有の特性の関係を学習するように設計されている。 本研究は台湾と日本のデータセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2024-12-24T02:18:17Z)
• Broadband Ground Motion Synthesis by Diffusion Model with Minimal Condition [3.1285630695933686]
  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。
  論文  参考訳（メタデータ） (2024-12-23T06:56:28Z)
• 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)
• Multi-task multi-station earthquake monitoring: An all-in-one seismic Phase picking, Location, and Association Network (PLAN) [19.697978881402143]
  標準的な監視ワークフローには、フェーズピッキング、アソシエーション、ロケーションといった相互に依存したタスクが含まれている。 本稿では, マルチステーション地震データを直接処理し, 同時位相選択, 関連, 位置を求めるグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-24T09:46:18Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Applying Machine Learning to Crowd-sourced Data from Earthquake Detective [0.0]
  Earthquake Detectiveはクラウドソースのプロジェクトであり、地震図の弱い信号を潜在的なトリガ(PDT)イベントから検出し、分類する。 機械学習を用いてこれらのPDT地震事象を分類し、このような弱い信号を分離・分類する際の課題を探る。 画像とウェーブレットに基づくアルゴリズムにより、機械学習は小さな地震からの信号を検出できることを確認した。
  論文  参考訳（メタデータ） (2020-11-05T04:00:33Z)
• 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)

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。