論文の概要: DP-TTA: Test-time Adaptation for Transient Electromagnetic Signal Denoising via Dictionary-driven Prior Regularization

• arxiv url: http://arxiv.org/abs/2510.13160v1
• Date: Wed, 15 Oct 2025 05:22:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.507346
• Title: DP-TTA: Test-time Adaptation for Transient Electromagnetic Signal Denoising via Dictionary-driven Prior Regularization
• Title（参考訳）: DP-TTA:辞書駆動の事前規則化による過渡電磁信号デノナイズのためのテスト時間適応
• Authors: Meng Yang, Kecheng Chen, Wei Luo, Xianjie Chen, Yong Jia, Mingyue Wang, Fanqiang Lin,
• Abstract要約: 過渡電磁法(TEM)は様々な物理応用に広く用いられている。 近年のディープラーニングに基づく denoising モデルの性能は高い。 しかしこれらのモデルは、主にシミュレーションまたは単一の実世界のシナリオデータに基づいて訓練されている。
• 参考スコア（独自算出の注目度）: 14.809163208298784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transient Electromagnetic (TEM) method is widely used in various geophysical applications, providing valuable insights into subsurface properties. However, time-domain TEM signals are often submerged in various types of noise. While recent deep learning-based denoising models have shown strong performance, these models are mostly trained on simulated or single real-world scenario data, overlooking the significant differences in noise characteristics from different geographical regions. Intuitively, models trained in one environment often struggle to perform well in new settings due to differences in geological conditions, equipment, and external interference, leading to reduced denoising performance. To this end, we propose the Dictionary-driven Prior Regularization Test-time Adaptation (DP-TTA). Our key insight is that TEM signals possess intrinsic physical characteristics, such as exponential decay and smoothness, which remain consistent across different regions regardless of external conditions. These intrinsic characteristics serve as ideal prior knowledge for guiding the TTA strategy, which helps the pre-trained model dynamically adjust parameters by utilizing self-supervised losses, improving denoising performance in new scenarios. To implement this, we customized a network, named DTEMDNet. Specifically, we first use dictionary learning to encode these intrinsic characteristics as a dictionary-driven prior, which is integrated into the model during training. At the testing stage, this prior guides the model to adapt dynamically to new environments by minimizing self-supervised losses derived from the dictionary-driven consistency and the signal one-order variation. Extensive experimental results demonstrate that the proposed method achieves much better performance than existing TEM denoising methods and TTA methods.
• Abstract（参考訳）: 過渡電磁法(TEM)は様々な物理応用で広く使われており、地下特性に関する貴重な洞察を与えている。 しかし、時間領域のTEM信号は様々な種類のノイズに浸されることが多い。 近年のディープラーニングに基づく復調モデルの性能は高いが,これらのモデルは主にシミュレーションや実世界のシナリオデータに基づいて訓練されており,異なる地理的領域の雑音特性の顕著な違いを見越している。 直感的には、ある環境で訓練されたモデルは、地質条件、機器、外部干渉の違いにより、新しい環境での良好な性能に苦しむことが多く、騒音性能が低下する。 そこで本研究では,辞書駆動型事前正規化テスト時間適応(DP-TTA)を提案する。 我々の重要な洞察は、TEM信号は、外的条件にかかわらず異なる領域間で一貫性が保たれる指数減衰や滑らかさのような固有の物理的特性を持つということである。 これらの本質的な特徴は、TTA戦略を導く上で理想的な事前知識となり、事前学習されたモデルは、自己監督的損失を利用してパラメータを動的に調整し、新しいシナリオにおける遅延性能を向上させる。 そこで我々はDTEMDNetというネットワークをカスタマイズした。 具体的には、まず辞書学習を用いて、これらの固有特性を辞書駆動事前としてエンコードし、訓練中にモデルに統合する。 テスト段階では、辞書駆動の一貫性と信号の1次変動から導かれる自己監督的損失を最小限に抑えることにより、新しい環境に動的に適応するモデルを導出する。 実験結果から,提案手法は既存のTEM denoising法やTTA法よりも優れた性能を示した。

関連論文リスト

• DenoGrad: Deep Gradient Denoising Framework for Enhancing the Performance of Interpretable AI Models [3.189189590825304]
  ノイズのあるサンプルを検出し,調整するための新しいインスタンスDenoiserフレームワークであるDenoGradを提案する。 DenoGradは、ノイズの多いインスタンスを動的に修正し、問題のデータ分散を保存し、AIモデルを改善する。
  論文  参考訳（メタデータ） (2025-11-13T10:16:02Z)
• A Weak Penalty Neural ODE for Learning Chaotic Dynamics from Noisy Time Series [7.01848433242846]
  本稿では,データ駆動時系列予測モデルの古典的強い定式化を補完する手法として弱い定式化を提案する。 Weak-Penalty NODE (WP-NODE) と呼ばれるこのトレーニング戦略は,ベンチマークカオス力学系における最先端予測精度と例外的ロバスト性を実現する。
  論文  参考訳（メタデータ） (2025-11-10T01:40:35Z)
• PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
  フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。 異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。 ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
  論文  参考訳（メタデータ） (2025-02-17T15:30:17Z)
• 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)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Noise Injection Node Regularization for Robust Learning [0.0]
  ノイズインジェクションノード規則化(NINR)は、トレーニング期間中に、構造化されたノイズをディープニューラルネットワーク(DNN)に注入する手法である。 本研究は、NINRの下で訓練されたフィードフォワードDNNに対する各種試験データ摂動に対するロバスト性を大幅に改善する理論的および実証的な証拠を示す。
  論文  参考訳（メタデータ） (2022-10-27T20:51:15Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。