論文の概要: Improving moment tensor solutions under Earth structure uncertainty with simulation-based inference

• arxiv url: http://arxiv.org/abs/2603.18925v1
• Date: Thu, 19 Mar 2026 14:04:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.184234
• Title: Improving moment tensor solutions under Earth structure uncertainty with simulation-based inference
• Title（参考訳）: シミュレーションに基づく推論による地球構造不確実性下におけるモーメントテンソル解の改善
• Authors: A. A. Saoulis, T. -S. Pham, A. M. G. Ferreira,
• Abstract要約: シミュレーションベース推論(SBI)を用いた理論誤差処理のためのロバストな手法を提案する。 理論誤差の一般的なガウス的パラメトリクスは、マイナー(1-3 %)の1次元地球モデルの不確実性の下で崩壊することを示した。 また、これらの効果は、短周期データを反転させたり、浅い等方的事象に対して特に問題となることも示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian inference represents a principled way to incorporate Earth structure uncertainty in full-waveform moment tensor inversions, but traditional approaches generally require significant approximations that risk biasing the resulting solutions. We introduce a robust method for handling theory errors using simulation-based inference (SBI), a machine learning approach that empirically models their impact on the observations. This framework retains the rigour of Bayesian inference while avoiding restrictive assumptions about the functional form of the uncertainties. We begin by demonstrating that the common Gaussian parametrisation of theory errors breaks down under minor ($1-3 \%$) 1-D Earth model uncertainty. To address this issue, we develop two formalisms for utilising SBI to improve the quality of the moment tensor solutions: one using physics-based insights into the theory errors, and another utilising an end-to-end deep learning algorithm. We then compare the results of moment tensor inversion with the standard Gaussian approach and SBI, and demonstrate that Gaussian assumptions induce bias and significantly under-report moment tensor uncertainties. We also show that these effects are particularly problematic when inverting short period data and for shallow, isotropic events. On the other hand, SBI produces more reliable, better calibrated posteriors of the earthquake source mechanism. Finally, we successfully apply our methodology to two well studied moderate magnitude earthquakes: one from the 1997 Long Valley Caldera volcanic earthquake sequence, and the 2020 Zagreb earthquake.
• Abstract（参考訳）: ベイズ推論は、地球構造の不確かさをフルウェーブフォームのモーメントテンソルインバージョンに組み込むための原則的な方法であるが、従来の手法は一般的に、結果の解をバイアスする重大な近似を必要とする。 本稿では,シミュレーションベース推論(SBI)を用いた理論誤差処理のための堅牢な手法を提案する。 この枠組みは、不確実性の関数形式に関する制限的な仮定を避けながら、ベイズ予想の厳密さを保っている。 まず、理論誤差の一般的なガウスのパラメトリクスが、小さな(1-3 \%$)1次元地球モデルの不確実性の下で崩壊することを示すことから始める。 この問題に対処するため、我々はモーメントテンソル解の質を改善するためにSBIを利用する2つの形式を考案した。 次に、モーメントテンソル反転の結果と標準ガウス的アプローチとSBIを比較し、ガウス的仮定がバイアスを誘発し、モーメントテンソルの不確かさを著しく過小評価することを示した。 また、これらの効果は、短周期データを反転させたり、浅い等方的事象に対して特に問題であることを示す。 一方,SBIは地震源機構の信頼性が高く,キャリブレーションも良好である。 最後に,1997年長谷カルデラ地震と2020年ザグレブ地震の2つの中等度地震にこの手法を適用した。

関連論文リスト

• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Hybrid twinning using PBDW and DeepONet for the effective state estimation and prediction on partially known systems [0.0]
  本研究では,物理に基づくモデリングとデータ駆動学習を組み合わせ,状態推定を強化する効果的なハイブリッド手法を提案する。 ヘルムホルツ方程式を含む代表問題に対する提案手法を検証した。
  論文  参考訳（メタデータ） (2025-12-03T12:19:00Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• Full-waveform earthquake source inversion using simulation-based inference [0.0]
  シミュレーションベース推論(SBI)を用いたフルウェーブフォーム地震源インバージョンのための新しい枠組みを提案する。 以上の結果から,SBIは震源パラメータと概ね一致したよく校正された後部を生成できることが示唆された。 我々は北大西洋の2つの中等級地震に我々の手法を適用した。
  論文  参考訳（メタデータ） (2024-10-30T17:25:57Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
  本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。 量子物理学の摂動理論を用いてモーメント分解問題を定式化する。 我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
  論文  参考訳（メタデータ） (2021-09-22T17:55:09Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。