論文の概要: Microseismic event classification with a lightweight Fourier Neural Operator model

• arxiv url: http://arxiv.org/abs/2512.07425v1
• Date: Mon, 08 Dec 2025 10:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.850306
• Title: Microseismic event classification with a lightweight Fourier Neural Operator model
• Title（参考訳）: 軽量フーリエニューラル演算子モデルによる微小地震イベント分類
• Authors: Ayrat Abdullin, Umair bin Waheed, Leo Eisner, Abdullatif Al-Shuhail,
• Abstract要約: 微小地震イベント分類において,フーリエニューラル演算子(FNO)に基づく軽量モデルを提案する。 FNOをベースとしたモデルでは,訓練におけるデータ分散のシナリオにおいても,F1スコアが95%のトリガ分類の有効性を示す。 実際のマイクロサイスミックデータセットのテストでは、F1スコアが98%の分類成功率を示し、従来のディープラーニング技術よりも優れています。
• 参考スコア（独自算出の注目度）: 1.6332728502735252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time monitoring of induced seismicity is crucial for mitigating operational hazards, relying on the rapid and accurate classification of microseismic events from continuous data streams. However, while many deep learning models excel at this task, their high computational requirements often limit their practical application in real-time monitoring systems. To address this limitation, a lightweight model based on the Fourier Neural Operator (FNO) is proposed for microseismic event classification, leveraging its inherent resolution-invariance and computational efficiency for waveform processing. In the STanford EArthquake Dataset (STEAD), a global and large-scale database of seismic waveforms, the FNO-based model demonstrates high effectiveness for trigger classification, with an F1 score of 95% even in the scenario of data sparsity in training. The new FNO model greatly decreases the computer power needed relative to current deep learning models without sacrificing the classification success rate measured by the F1 score. A test on a real microseismic dataset shows a classification success rate with an F1 score of 98%, outperforming many traditional deep-learning techniques. A combination of high success rate and low computational power indicates that the FNO model can serve as a methodology of choice for real-time monitoring of microseismicity for induced seismicity. The method saves computational resources and facilitates both post-processing and real-time seismic processing suitable for the implementation of traffic light systems to prevent undesired induced seismicity.
• Abstract（参考訳）: 連続データストリームからの微小地震イベントの迅速かつ正確な分類を頼りに、地震のリアルタイムモニタリングは、運用上の危険を緩和するために不可欠である。 しかし、このタスクでは多くのディープラーニングモデルが優れているが、その高い計算要求はリアルタイムモニタリングシステムにおける実践的応用を制限することが多い。 この制限に対処するために、マイクロ地震イベント分類のためのフーリエニューラル演算子(FNO)に基づく軽量モデルを提案し、その固有の分解能不変性と計算効率を波形処理に利用した。 地震波形のグローバルかつ大規模データベースであるStanford EArthquake Dataset (STEAD) において、FNOベースのモデルは、訓練におけるデータ間隔のシナリオにおいても、F1スコアが95%のトリガ分類に高い効果を示す。 新しいFNOモデルは、F1スコアで測定された分類成功率を犠牲にすることなく、現在のディープラーニングモデルと比較してコンピュータパワーを大幅に削減する。 実際のマイクロサイスミックデータセットのテストでは、F1スコアが98%の分類成功率を示し、従来のディープラーニング技術よりも優れています。 高い成功率と低い計算力の組み合わせは、FNOモデルが誘導震度に対する微小地震のリアルタイムモニタリングの方法論として有効であることを示している。 この方法は、計算資源を節約し、交通信号システムの実装に適した後処理とリアルタイム地震処理の両方を容易にし、望ましくない震度を防止する。

関連論文リスト

• SCORENF: Score-based Normalizing Flows for Sampling Unnormalized distributions [5.204468049641428]
  正規化フローアーキテクチャ上に構築されたスコアベースの学習フレームワークであるScoreNFを提案する。 ScoreNFは訓練アンサンブルが小さい場合でも高い性能を維持していることを示す。 また,モード被覆とモード崩壊の挙動を評価する手法を提案する。
  論文  参考訳（メタデータ） (2025-10-24T10:43:19Z)
• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• rETF-semiSL: Semi-Supervised Learning for Neural Collapse in Temporal Data [44.17657834678967]
  本稿では,ニューラル・コラプス現象を満たす潜在表現を強制する,新しい半教師付き事前学習戦略を提案する。 LSTM, トランスフォーマー, 状態空間モデルに適用した場合, 従来のプリテキストタスクよりも有意に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-13T19:16:47Z)
• Towards Robust Surrogate Models: Benchmarking Machine Learning Approaches to Expediting Phase Field Simulations of Brittle Fracture [0.0]
  フラクチャーモデリングのためのML手法のベンチマークと進歩を目的としたPFMシミュレーションに基づくデータセットを提案する。 このデータセットには3つのエネルギー分解方法、2つの境界条件、合計6,000のシミュレーションのための1000のランダムな初期き裂構成が含まれている。 本研究は, フラクチャーメカニクス研究における機械学習の進歩のためのテストベッドとして, このデータセットの有用性を実証するものである。
  論文  参考訳（メタデータ） (2025-07-09T19:14:56Z)
• Federated Learning framework for LoRaWAN-enabled IIoT communication: A case study [41.831392507864415]
  異常検出は、産業部品の異常を防止し、発見する上で重要な役割を担っている。 従来の機械学習は、LoRaWANのようなリソース制約のある環境で異常検出モデルをデプロイする際の課題に直面している。 フェデレートラーニング(FL)は、分散モデルのトレーニング、プライバシの問題への対処、データ転送の最小化によって、この問題を解決する。
  論文  参考訳（メタデータ） (2024-10-15T13:48:04Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism [0.0]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)は、効率的な電力消費管理のための確立された技術である。 本稿では,畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BILSTM)を組み合わせたハイブリッド学習手法を提案する。 CNN-BILSTMモデルは、時間的(時間的)と空間的(位置的)の両方の特徴を抽出し、アプライアンスレベルでのエネルギー消費パターンを正確に識別することができる。
  論文  参考訳（メタデータ） (2023-11-14T21:02:27Z)
• Towards Flexible Time-to-event Modeling: Optimizing Neural Networks via Rank Regression [17.684526928033065]
  我々はDART(Time-to-event Prediction)のためのDeep AFT Rank-regressionモデルを導入する。 このモデルは、表現学習において効率的で信頼性の高いゲハンのランク統計に基づく客観的関数を用いる。 提案手法は, 生存時間分布に分布仮定を課さない半パラメトリックなAFTモデリング手法である。
  論文  参考訳（メタデータ） (2023-07-16T13:58:28Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。