論文の概要: Automated Classification of Volcanic Earthquakes Using Transformer Encoders: Insights into Data Quality and Model Interpretability

• arxiv url: http://arxiv.org/abs/2507.01260v1
• Date: Wed, 02 Jul 2025 00:37:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.967229
• Title: Automated Classification of Volcanic Earthquakes Using Transformer Encoders: Insights into Data Quality and Model Interpretability
• Title（参考訳）: 変圧器エンコーダを用いた火山地震の自動分類:データ品質とモデル解釈可能性に着目して
• Authors: Y. Suzuki, Y. Yukutake, T. Ohminato, M. Yamasaki, Ahyi Kim,
• Abstract要約: より客観的かつ効率的な分類のために,トランスフォーマーエンコーダを用いたディープラーニングモデルを開発した。 浅間山の多様な地震活動に基づいて, 従来のCNN法よりも高いF1スコア(火山テクトニクス0.930, 低周波地震0.931, ノイズ0.980)を達成した。
• 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: Precisely classifying earthquake types is crucial for elucidating the relationship between volcanic earthquakes and volcanic activity. However, traditional methods rely on subjective human judgment, which requires considerable time and effort. To address this issue, we developed a deep learning model using a transformer encoder for a more objective and efficient classification. Tested on Mount Asama's diverse seismic activity, our model achieved high F1 scores (0.930 for volcano tectonic, 0.931 for low-frequency earthquakes, and 0.980 for noise), superior to a conventional CNN-based method. To enhance interpretability, attention weight visualizations were analyzed, revealing that the model focuses on key waveform features similarly to human experts. However, inconsistencies in training data, such as ambiguously labeled B-type events with S-waves, were found to influence classification accuracy and attention weight distributions. Experiments addressing data selection and augmentation demonstrated the importance of balancing data quality and diversity. In addition, stations within 3 km of the crater played an important role in improving model performance and interpretability. These findings highlight the potential of Transformer-based models for automated volcanic earthquake classification, particularly in improving efficiency and interpretability. By addressing challenges such as data imbalance and subjective labeling, our approach provides a robust framework for understanding seismic activity at Mount Asama. Moreover, this framework offers opportunities for transfer learning to other volcanic regions, paving the way for enhanced volcanic hazard assessments and disaster mitigation strategies.
• Abstract（参考訳）: 地震の種類を正確に分類することは, 火山活動と火山活動の関係を解明するために重要である。 しかし、従来の手法は主観的な人間の判断に依存しており、かなりの時間と労力を要する。 この問題に対処するため,より客観的かつ効率的な分類のためにトランスフォーマーエンコーダを用いたディープラーニングモデルを開発した。 浅間山の多様な地震活動に基づいて, 従来のCNN法よりも高いF1スコア(火山テクトニクス0.930, 低周波地震0.931, ノイズ0.980)を達成した。 解釈可能性を高めるため、注目重量の可視化を解析し、このモデルが人間の専門家と同様に重要な波形の特徴に焦点を当てていることを明らかにした。 しかし,S波と明確にラベル付けされたB型事象などのトレーニングデータの矛盾は,分類精度や注意重み分布に影響を及ぼすことがわかった。 データ選択と拡張に対処する実験は、データ品質と多様性のバランスをとることの重要性を示した。 さらに、クレーターの3km以内のステーションは、モデル性能と解釈可能性の向上に重要な役割を果たした。 これらの知見は, 自動地震分類のためのトランスフォーマーモデルの可能性, 特に効率と解釈可能性の向上を浮き彫りにしている。 データ不均衡や主観的ラベリングといった課題に対処することで,浅間山の地震活動を理解するための強固な枠組みを提供する。 さらに、この枠組みは、他の火山地域への移動学習の機会を提供し、火山災害評価と防災戦略の強化への道を開く。

関連論文リスト

• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Evaluating and Explaining Earthquake-Induced Liquefaction Potential through Multi-Modal Transformers [0.0]
  本研究では, 土壌液状化予測のための並列トランスアーキテクチャを提案する。 この構造は、11大地震の165のケース履歴からデータを処理している。 このモデルは、地域間検証セットで93.75%の精度で予測できる。
  論文  参考訳（メタデータ） (2025-02-11T09:18:07Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• 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)
• FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model for Fault Recognition [13.339333273943842]
  本稿では,自己教師付き事前学習による地震断層認識の高度化手法を提案する。 我々は,Swin Transformerモデルをコアネットワークとして採用し,SimMIMプレトレーニングタスクを用いて,地震データにおける不連続性に関連する特徴を抽出した。 実験の結果,提案手法は,OISおよびODS測定値から,Thebeデータセット上での最先端性能を実現することができた。
  論文  参考訳（メタデータ） (2023-10-27T08:38:59Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• DeepAdversaries: Examining the Robustness of Deep Learning Models for Galaxy Morphology Classification [47.38422424155742]
  銀河の形態分類では、画像データにおける摂動の影響について検討する。 ドメイン適応によるトレーニングはモデルロバスト性を向上し、これらの摂動の影響を緩和することを示す。
  論文  参考訳（メタデータ） (2021-12-28T21:29:02Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)

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。