論文の概要: Explainable AI for microseismic event detection

• arxiv url: http://arxiv.org/abs/2510.17458v1
• Date: Mon, 20 Oct 2025 11:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.436135
• Title: Explainable AI for microseismic event detection
• Title（参考訳）: 微小地震イベント検出のための説明可能なAI
• Authors: Ayrat Abdullin, Denis Anikiev, Umair bin Waheed,
• Abstract要約: PhaseNetのようなディープニューラルネットワークは、ミクロ地震イベントの検出において高い精度を示しているが、それらのブラックボックスの性質は、重要な応用において懸念されている。 我々は、フェーズネットモデルの判断を解釈し、信頼性を向上させるために、グラディエント重み付きクラスアクティベーションマッピング(Grad-CAM)のような説明可能なAI技術を適用した。 我々は,XAIが深層学習モデルだけでなく,その性能も直接的に向上できることを示し,自動地震検知器の信頼性構築のためのテンプレートを提供する。
• 参考スコア（独自算出の注目度）: 1.7842332554022695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks like PhaseNet show high accuracy in detecting microseismic events, but their black-box nature is a concern in critical applications. We apply explainable AI (XAI) techniques, such as Gradient-weighted Class Activation Mapping (Grad-CAM) and Shapley Additive Explanations (SHAP), to interpret the PhaseNet model's decisions and improve its reliability. Grad-CAM highlights that the network's attention aligns with P- and S-wave arrivals. SHAP values quantify feature contributions, confirming that vertical-component amplitudes drive P-phase picks while horizontal components dominate S-phase picks, consistent with geophysical principles. Leveraging these insights, we introduce a SHAP-gated inference scheme that combines the model's output with an explanation-based metric to reduce errors. On a test set of 9,000 waveforms, the SHAP-gated model achieved an F1-score of 0.98 (precision 0.99, recall 0.97), outperforming the baseline PhaseNet (F1-score 0.97) and demonstrating enhanced robustness to noise. These results show that XAI can not only interpret deep learning models but also directly enhance their performance, providing a template for building trust in automated seismic detectors.
• Abstract（参考訳）: PhaseNetのようなディープニューラルネットワークは、ミクロ地震イベントの検出において高い精度を示しているが、それらのブラックボックスの性質は、重要な応用において懸念されている。 我々は、フェーズネットモデルの判断を解釈し、信頼性を向上させるために、グラディエント重み付きクラスアクティベーションマッピング(Grad-CAM)やShapley Additive Explanations (SHAP)のような説明可能なAI(XAI)技術を適用した。 Grad-CAMは、ネットワークの注意がP波とS波の到着と一致していることを強調している。 SHAP値は、垂直成分振幅がP相ピックを駆動し、水平成分がS相ピックを支配し、地球物理学の原理と一致していることを確認する。 これらの知見を生かして,モデル出力と説明基準を組み合わせたSHAP付き推論手法を導入し,誤差を低減した。 9000の波形の試験セットにおいて、SHAPゲートモデルはF1スコアの0.98(精度0.99、リコール0.97)を達成し、ベースラインのフェイズネット(F1スコア0.97)を上回り、ノイズに対する堅牢性を向上した。 これらの結果から,XAIは深層学習モデルだけでなく,その性能も直接的に向上させることができることが示唆された。

関連論文リスト

• IoT Malware Network Traffic Detection using Deep Learning and GraphSAGE Models [0.3749861135832072]
  本稿では,ディープラーニングモデルを用いてIoTの悪意のある攻撃を検出することを目的とする。 モデルはGraphSAGE、変換器(BERT)からの双方向エンコーダ表現、時間畳み込みネットワーク(TCN)、およびマルチヘッドアテンションに基づいている。
  論文  参考訳（メタデータ） (2025-07-14T19:36:04Z)
• Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [14.728689487990836]
  生成能動適応フレームワークは、モデルロバスト性を高めながらラベリング作業を最小化する。 我々は、シミュレーションIDSデータと実世界のISPデータセットの両方に基づいて、エンドツーエンドフレームワークNetGuardを評価した。
  論文  参考訳（メタデータ） (2025-03-04T21:49:42Z)
• 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)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者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。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Utilizing XAI technique to improve autoencoder based model for computer network anomaly detection with shapley additive explanation(SHAP) [0.0]
  機械学習(ML)とディープラーニング(DL)メソッドは、特にコンピュータネットワークセキュリティにおいて急速に採用されている。 MLとDLベースのモデルの透明性の欠如は、実装の大きな障害であり、ブラックボックスの性質から批判されている。 XAIは、これらのモデルの信頼性を向上させる上で、説明やアウトプットの解釈を通じて有望な分野である。
  論文  参考訳（メタデータ） (2021-12-14T09:42:04Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• 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)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。