論文の概要: Breaking the Black Box: Inherently Interpretable Physics-Constrained Machine Learning With Weighted Mixed-Effects for Imbalanced Seismic Data

• arxiv url: http://arxiv.org/abs/2508.19031v2
• Date: Wed, 05 Nov 2025 14:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 16:07:39.789248
• Title: Breaking the Black Box: Inherently Interpretable Physics-Constrained Machine Learning With Weighted Mixed-Effects for Imbalanced Seismic Data
• Title（参考訳）: ブラックボックスを破る:不均衡地震データに対する重み付き混合効果を用いた物理制約付き機械学習
• Authors: Vemula Sreenath, Filippo Gatti, Pierre Jehel,
• Abstract要約: 地動モデル(GMM)は地震のリスク軽減とインフラ設計に重要である。 既存の機械学習ベースのGMMは"ブラックボックス"として動作し、エンジニアリング上の決定に対する信頼性を損なう不透明さを生み出す。 本研究では,新規なHazBinLossと整合正則化を用いた独立付加経路を用いた本質的に解釈可能なニューラルネットワークを開発した。
• 参考スコア（独自算出の注目度）: 0.4078247440919473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ground motion models (GMMs) are critical for seismic risk mitigation and infrastructure design. Machine learning (ML) is increasingly applied to GMM development due to expanding strong motion databases. However, existing ML-based GMMs operate as 'black boxes,' creating opacity that undermines confidence in engineering decisions. Moreover, seismic datasets exhibit severe imbalance, with scarce large-magnitude near-field records causing systematic underprediction of critical high-hazard ground motions. Despite these limitations, research addressing both interpretability and data imbalance remains limited. This study develops an inherently interpretable neural network employing independent additive pathways with novel HazBinLoss and concurvity regularization. HazBinLoss integrates physics-constrained weighting with inverse bin count scaling to address underfitting in sparse, high-hazard regions. Concurvity regularization enforces pathway orthogonality, reducing inter-pathway correlation. The model achieves robust performance: mean squared error = 0.6235, mean absolute error = 0.6230, and coefficient of determination = 88.48%. Pathway scaling corroborates established seismological behaviors. Weighted hierarchical Student-t mixed-effects analysis demonstrates unbiased residuals with physically consistent variance partitioning: sigma components range from 0.26-0.38 (inter-event), 0.12-0.41 (inter-region), 0.58-0.71 (intra-event), and 0.68-0.89 (total). The lower inter-event and higher intra-event components have implications for non-ergodic hazard analysis. Predictions exhibit strong agreement with NGA-West2 GMMs across diverse conditions. This interpretable framework advances GMMs, establishing a transparent, physics-consistent foundation for seismic hazard and risk assessment.
• Abstract（参考訳）: 地動モデル(GMM)は地震のリスク軽減とインフラ設計に重要である。 機械学習(ML)は、強力なモーションデータベースの拡大により、GMM開発にますます適用されている。 しかし、既存のMLベースのGMMは「ブラックボックス」として運用されており、エンジニアリング上の決定に対する信頼を損なう不透明さを生み出している。 さらに, 地震データセットは, 強震動の系統的下振れを生じさせる大域近傍記録が乏しく, 激しい不均衡を示す。 これらの制限にもかかわらず、解釈可能性とデータの不均衡の両方に対処する研究は依然として限られている。 本研究では,新規なHazBinLossと整合正則化を用いた独立付加経路を用いた本質的に解釈可能なニューラルネットワークを開発した。 HazBinLossは、物理学に制約された重み付けと逆ビンカウントスケーリングを統合し、スパースでハイハザードな地域での不適合に対処する。 並行正則化は経路直交を強制し、経路間の相関を減少させる。 平均二乗誤差 = 0.6235、平均絶対誤差 = 0.6230、決定係数 = 88.48%である。 経路スケーリングは、地震学的行動を確立した。 重み付き階層的学生-t混合効果分析は、物理的に一貫した分散分割を伴う不偏残差を示す:シグマ成分は、0.26-0.38(中間領域)、0.12-0.41(中間領域)、0.58-0.71(イントラ領域)、0.68-0.89(垂直領域)である。 下層部と上層部は非エルゴディック型ハザード分析に影響を及ぼす。 予測は様々な条件でNGA-West2 GMMと強く一致している。 この解釈可能な枠組みは、GMMを進化させ、地震の危険とリスク評価のための透明で物理に一貫性のある基盤を確立する。

関連論文リスト

• A Multimodal, Multilingual, and Multidimensional Pipeline for Fine-grained Crowdsourcing Earthquake Damage Evaluation [5.5809992003597575]
  迅速な、きめ細かい災害被害評価は、効果的な緊急対応には不可欠であるが、地上センサーの制限や公式報告の遅れにより、依然として困難である。 ソーシャルメディアは、人間中心の観察のリッチでリアルタイムな情報源を提供するが、そのマルチモーダルで非構造的な性質は、従来の分析手法の課題を提起している。 マルチモーダル・大規模言語モデル(MLLM)を利用した災害影響評価のための構造的多モーダル・多言語・多次元パイプライン(3M)を提案する。
  論文  参考訳（メタデータ） (2025-06-03T20:07:25Z)
• LLMs as World Models: Data-Driven and Human-Centered Pre-Event Simulation for Disaster Impact Assessment [6.787695140978638]
  本研究では,複数の大規模言語モデル(LLM)について検討し,地震の影響を推定する。 我々のフレームワークは、ジップコードと郡規模で修正メルカリー強度(MMI)予測を生成する。 2014年ナパ地震と2019年リッジクレスト地震のUSGS'Did You Feel It?
  論文  参考訳（メタデータ） (2025-06-02T22:07:53Z)
• Do We Really Need Curated Malicious Data for Safety Alignment in Multi-modal Large Language Models? [83.53005932513155]
  MLLM(Multi-modal large language model)は大きな進歩を遂げているが、その安全性は依然として限られている。 そこで我々は, 単純明快な拒絶文に代えて, 少数の良性命令追従データに対して, MLLMを微調整する手法を提案する。
  論文  参考訳（メタデータ） (2025-04-14T09:03:51Z)
• Mitigating Forgetting in LLM Fine-Tuning via Low-Perplexity Token Learning [61.99353167168545]
  LLM生成データによる微調整により,目標タスクの性能が向上し,非目標タスクの劣化が低減されることを示す。 微調整後のLSMにおける破滅的忘れを緩和するために、トークンの難易度低減に基づく経験的説明を提供する最初の研究である。
  論文  参考訳（メタデータ） (2025-01-24T08:18:56Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  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)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic Anomalies [0.0]
  地磁気障害(GMD)のような宇宙の気象現象は、重要な技術基盤に重大なリスクをもたらす。 本稿では、上記の課題に対処する物理誘導型TinyMLフレームワークを開発する。 モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
  論文  参考訳（メタデータ） (2023-11-19T23:20:16Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• 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)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)

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。