論文の概要: Modeling Non-Ergodic Path Effects Using Conditional Generative Model for Fourier Amplitude Spectra

• arxiv url: http://arxiv.org/abs/2512.19909v1
• Date: Mon, 22 Dec 2025 22:29:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.678149
• Title: Modeling Non-Ergodic Path Effects Using Conditional Generative Model for Fourier Amplitude Spectra
• Title（参考訳）: フーリエ振幅スペクトルの条件生成モデルを用いた非エルゴード経路効果のモデル化
• Authors: Maxime Lacour, Pu Ren, Rie Nakata, Nori Nakata, Michael Mahoney,
• Abstract要約: 本研究では、フーリエ振幅スペクトル(CGM-FAS)に対する条件生成モデリングと呼ばれるディープラーニング手法を提案する。 CGM-FASは、条件付き変分オートエンコーダアーキテクチャを使用して、データから直接空間パターンと周波数間相関を学習する。 サンフランシスコ・ベイエリア地震データを用いて,CGM-FASと最近のGPベースGMMとの比較を行い,一貫した予測を行った。
• 参考スコア（独自算出の注目度）: 3.255817196264006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent developments in non-ergodic ground-motion models (GMMs) explicitly model systematic spatial variations in source, site, and path effects, reducing standard deviation to 30-40% of ergodic models and enabling more accurate site-specific seismic hazard analysis. Current non-ergodic GMMs rely on Gaussian Process (GP) methods with prescribed correlation functions and thus have computational limitations for large-scale predictions. This study proposes a deep-learning approach called Conditional Generative Modeling for Fourier Amplitude Spectra (CGM-FAS) as an alternative to GP-based methods for modeling non-ergodic path effects in Fourier Amplitude Spectra (FAS). CGM-FAS uses a Conditional Variational Autoencoder architecture to learn spatial patterns and interfrequency correlation directly from data by using geographical coordinates of earthquakes and stations as conditional variables. Using San Francisco Bay Area earthquake data, we compare CGM-FAS against a recent GP-based GMM for the region and demonstrate consistent predictions of non-ergodic path effects. Additionally, CGM-FAS offers advantages compared to GP-based approaches in learning spatial patterns without prescribed correlation functions, capturing interfrequency correlations, and enabling rapid predictions, generating maps for 10,000 sites across 1,000 frequencies within 10 seconds using a few GB of memory. CGM-FAS hyperparameters can be tuned to ensure generated path effects exhibit variability consistent with the GP-based empirical GMM. This work demonstrates a promising direction for efficient non-ergodic ground-motion prediction across multiple frequencies and large spatial domains.
• Abstract（参考訳）: 非エルゴード地動モデル(GMM)の最近の発展は、ソース、サイト、パス効果の体系的な空間的変動を明示的にモデル化し、標準偏差をエルゴードモデルの30-40%に減らし、より正確な震害解析を可能にする。 現在の非エルゴディックGMMは、所定の相関関数を持つガウス過程(GP)法に依存しており、大規模予測の計算限界がある。 本研究では,Fourier Amplitude Spectra(FAS)における非エルゴード経路効果をモデル化するためのGP法に代わる,CGM-FAS(Conditional Generative Modeling for Fourier Amplitude Spectra)というディープラーニング手法を提案する。 CGM-FASは、条件変数として地震や観測所の地理的座標を用いて、空間パターンと周波数間相関を直接データから学習するために条件付き変分オートエンコーダアーキテクチャを用いる。 サンフランシスコ・ベイエリア地震データを用いて,CGM-FASを最近のGPベースGMMと比較し,非エルゴード経路効果の一貫した予測を示す。 さらに、CGM-FASは、所定の相関関数を使わずに空間パターンを学習し、周波数間相関を捕捉し、高速な予測を可能にし、メモリ数GBで1000周波数で1万箇所の地図を生成するGPベースのアプローチと比較して利点がある。 CGM-FASハイパーパラメータは、GPベースの経験的GMMと一致した可変性を示すために調整することができる。 この研究は、複数の周波数および大きな空間領域にわたる効率的な非エルゴード基底運動予測のための有望な方向を示す。

関連論文リスト

• An Interpretable Implicit-Based Approach for Modeling Local Spatial Effects: A Case Study of Global Gross Primary Productivity [9.352810748734157]
  地球科学では、観測されていない要因は非定常分布を示し、特徴と対象の関係が空間的不均一性を示す。 地理的機械学習タスクでは、従来の統計学習手法は空間的不均一性を捉えるのに苦労することが多い。 我々は、深層ニューラルネットワークを用いた空間差と並行して、異なる場所で共通する特徴を同時にモデル化する、新しい視点を提案する。
  論文  参考訳（メタデータ） (2025-02-10T05:44:54Z)
• Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
  大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。 提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
  論文  参考訳（メタデータ） (2024-02-27T15:08:57Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Broadband Ground Motion Synthesis via Generative Adversarial Neural Operators: Development and Validation [12.275587079383603]
  まず,条件付きグラウンドモーション合成アルゴリズム(cGM-GANO)について述べる。 次に,南カリフォルニア地震センター・ブロードバンド・プラットフォーム(BBP)と記録されたKK-netデータによる地動シミュレーションについて,cGM-GANOを訓練する。 以上の結果から,cGM-GANOは対応するテクトニクス環境のトレーニングデータと一貫した中央値のスケーリングが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-07T02:08:30Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。