論文の概要: The Seismic Wavefield Common Task Framework

• arxiv url: http://arxiv.org/abs/2512.19927v1
• Date: Mon, 22 Dec 2025 23:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.685632
• Title: The Seismic Wavefield Common Task Framework
• Title（参考訳）: 地震波場共通タスクフレームワーク
• Authors: Alexey Yermakov, Yue Zhao, Marine Denolle, Yiyu Ni, Philippe M. Wyder, Judah Goldfeder, Stefano Riva, Jan Williams, David Zoro, Amy Sara Rude, Matteo Tomasetto, Joe Germany, Joseph Bakarji, Georg Maierhofer, Miles Cranmer, J. Nathan Kutz,
• Abstract要約: 地震学は国家の予測と復興において根本的な課題に直面している。 最近の機械学習の取り組みは約束を提供するが、適切な特徴の欠如によって進歩は明らかでない。 地震波場のためのMLのための共通タスクフレームワーク(CTF)を提案する。
• 参考スコア（独自算出の注目度）: 4.588878997984687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Seismology faces fundamental challenges in state forecasting and reconstruction (e.g., earthquake early warning and ground motion prediction) and managing the parametric variability of source locations, mechanisms, and Earth models (e.g., subsurface structure and topography effects). Addressing these with simulations is hindered by their massive scale, both in synthetic data volumes and numerical complexity, while real-data efforts are constrained by models that inadequately reflect the Earth's complexity and by sparse sensor measurements from the field. Recent machine learning (ML) efforts offer promise, but progress is obscured by a lack of proper characterization, fair reporting, and rigorous comparisons. To address this, we introduce a Common Task Framework (CTF) for ML for seismic wavefields, starting with three distinct wavefield datasets. Our CTF features a curated set of datasets at various scales (global, crustal, and local) and task-specific metrics spanning forecasting, reconstruction, and generalization under realistic constraints such as noise and limited data. Inspired by CTFs in fields like natural language processing, this framework provides a structured and rigorous foundation for head-to-head algorithm evaluation. We illustrate the evaluation procedure with scores reported for two of the datasets, showcasing the performance of various methods and foundation models for reconstructing seismic wavefields from both simulated and real-world sensor measurements. The CTF scores reveal the strengths, limitations, and suitability for specific problem classes. Our vision is to replace ad hoc comparisons with standardized evaluations on hidden test sets, raising the bar for rigor and reproducibility in scientific ML.
• Abstract（参考訳）: 地震学は、状態予測と復元(地震早期警報や地動予測など)と、震源位置、メカニズム、地球モデル(地下構造、地形効果など)のパラメトリック変動の管理において、根本的な課題に直面している。 シミュレーションによってこれらに対処することは、合成データ量と数値的な複雑さの両方においてその巨大なスケールによって妨げられるが、実際のデータ処理は地球の複雑さを不適切に反映するモデルと、フィールドからのスパースセンサー測定によって制限される。 最近の機械学習(ML)の取り組みは約束を提供するが、適切な特徴の欠如、公正な報告、厳密な比較によって進歩は明らかでない。 これを解決するために,3つの異なる波動場データセットから始まる地震波動場のためのMLのための共通タスクフレームワーク(CTF)を導入する。 我々のCTFは、様々なスケール(グローバル、地殻、局所)で収集されたデータセットと、騒音や限られたデータといった現実的な制約の下で予測、再構築、一般化にまたがるタスク固有のメトリクスを特徴としている。 自然言語処理などの分野におけるCTFにインスパイアされたこのフレームワークは、ヘッド・ツー・ヘッド・アルゴリズム評価のための構造化された厳密な基盤を提供する。 本研究は, 地震波動場を再現するための各種手法と基礎モデルの性能を, 実環境と実環境の両方のセンサで測定し, 評価手順について述べるものである。 CTFスコアは、特定の問題クラスに対する強み、制限、適合性を明らかにする。 我々のビジョンは、科学的MLの厳密さと再現性を高めるために、隠れたテストセットの標準化された評価に、アドホックな比較を置き換えることです。

関連論文リスト

• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Evaluating and Explaining Earthquake-Induced Liquefaction Potential through Multi-Modal Transformers [0.0]
  本研究では, 土壌液状化予測のための並列トランスアーキテクチャを提案する。 この構造は、11大地震の165のケース履歴からデータを処理している。 このモデルは、地域間検証セットで93.75%の精度で予測できる。
  論文  参考訳（メタデータ） (2025-02-11T09:18:07Z)
• Look Ma, No Ground Truth! Ground-Truth-Free Tuning of Structure from Motion and Visual SLAM [64.57742015099531]
  評価は、モーション(SfM)と視覚SLAM(VSLAM)システムから構造を開発・調整する上で重要である。 この土台真実への依存は、様々な環境におけるSfMおよびSLAMアプリケーションを制限する。 幾何学的基底真理の必要をなくすため,GTF評価手法を提案する。
  論文  参考訳（メタデータ） (2024-12-02T04:40:03Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model for Fault Recognition [13.339333273943842]
  本稿では,自己教師付き事前学習による地震断層認識の高度化手法を提案する。 我々は,Swin Transformerモデルをコアネットワークとして採用し,SimMIMプレトレーニングタスクを用いて,地震データにおける不連続性に関連する特徴を抽出した。 実験の結果,提案手法は,OISおよびODS測定値から,Thebeデータセット上での最先端性能を実現することができた。
  論文  参考訳（メタデータ） (2023-10-27T08:38:59Z)
• Using Deep Learning to Explore Local Physical Similarity for Global-scale Bridging in Thermal-hydraulic Simulation [4.350727579753697]
  現在の熱水和コードでは、実際の植物条件をシミュレートする際の信頼性が制限されている。 本稿では,これらの課題を克服するためのデータ駆動型特徴類似度測定FFSMを提案する。 深層学習は局所的な物理的特徴とシミュレーションエラーの関係の構築と探索に応用される。
  論文  参考訳（メタデータ） (2020-01-06T20:14:46Z)

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。