論文の概要: Evaluating PhaseNet on Teleseismic Data with MsPASS

• arxiv url: http://arxiv.org/abs/2605.22837v1
• Date: Sun, 10 May 2026 16:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:42.934281
• Title: Evaluating PhaseNet on Teleseismic Data with MsPASS
• Title（参考訳）: MsPASSを用いたテレサイスミックデータにおける位相ネットの評価
• Authors: Jinxin Ma, Yinzhi Wang, Gary L. Pavlis, Chenbo Yin,
• Abstract要約: 機械学習ピッカーのPhaseNetは, 局地的な地震信号に基づいて正確なPとSのピックを生成するが, その性能はテレサイスミック信号で著しく低下する。 本稿では,大規模地震アーカイブのためのスケーラブルなデータ作成と管理を可能にする再現可能なMsPASSワークフローを提案する。
• 参考スコア（独自算出の注目度）: 1.3249509346606658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerous studies have shown that the machine-learning picker PhaseNet produces accurate P and S picks on local earthquake signals, but its performance can degrade sharply on teleseismic signals. To address this limitation, we present a reproducible MsPASS workflow that (i) enables scalable data preparation and management for large seismic archives and (ii) supports standardized PhaseNet training and inference. We assembled a control dataset of 1.6 million waveforms linked to teleseismic P-wave picks made by analysts at the USArray Array Network Facility (ANF). The control dataset confirms that the PhaseNet model trained on regional signals performs poorly on these data. We then trained PhaseNet from scratch on the training split of the ANF control dataset and evaluated it on a non-overlapping held-out test split, increasing P-pick recall by 741.5% and yielding 683.9% more picks within a 0.1s residual window. We also evaluated PhaseNet across different model sizes on both CPUs and GPUs. Increasing the model size by about 120 times improved precision and recall by 15.6% and 23.2%, respectively. However, the scaled model reduced inference throughput by 87.2% on an NVIDIA A100 GPU and by 97.3% on a 128-core high-performance CPU node. These results indicate that scaling PhaseNet is more practical on GPUs than on CPUs, and that simply enlarging the model is not an efficient way to achieve large accuracy gains.
• Abstract（参考訳）: 多くの研究により、機械学習ピッカーのPysNetは、局所的な地震信号に対して正確なPとSのピックを生成することが示されているが、その性能はテレサイスミック信号で著しく低下する可能性がある。 この制限に対処するため、再現可能なMsPASSワークフローを提示する。 二 大規模地震アーカイブのスケーラブルなデータ作成及び管理を可能にすること。 (ii) 標準化された PhaseNet トレーニングと推論をサポートする。 我々は、USArray Array Network Facility (ANF) のアナリストが作成した、地震波のP波ピックに関連付けられた1.6万の波形の制御データセットを収集した。 制御データセットは、地域信号に基づいてトレーニングされたフェーズネットモデルがこれらのデータに対して不十分に動作していることを確認する。 その後、ANF制御データセットのトレーニングスプリットをスクラッチからトレーニングし、重複しないホールトアウトテストスプリットで評価し、Pピックリコールを741.5%増加させ、0.1秒の残窓内で683.9%のピックを得た。 また、CPUとGPUの両方で異なるモデルサイズでフェーズネットを評価した。 モデルサイズを約120倍にすると、精度とリコールはそれぞれ15.6%、リコールは23.2%向上した。 しかし、スケールしたモデルでは、NVIDIA A100 GPUでは87.2%、高性能な128コアのCPUノードでは97.3%削減された。 これらの結果から,PhaseNetのスケーリングはCPUよりもGPUの方が実用的であり,モデルの拡張だけでは大きな精度向上を実現するための効率的な方法ではないことが示唆された。

関連論文リスト

• Hardware-accelerated graph neural networks: an alternative approach for neuromorphic event-based audio classification and keyword spotting on SoC FPGA [12.261656409413753]
  音声処理のための事象グラフニューラルネットワークのFPGA実装 システムは最大95%のワードエンド検出精度を実現し、10.53マイクロ秒のレイテンシと1.18Wの消費電力しか持たない。
  論文  参考訳（メタデータ） (2026-02-18T13:26:22Z)
• Pangu Ultra MoE: How to Train Your Big MoE on Ascend NPUs [111.69640966866059]
  ミキチャー・オブ・エキスパート(MoE)と1兆近いパラメータを持つ疎大言語モデル(LLM)が、最も有能な言語モデルの領域を支配している。 本稿では,Ascend NPU上でそのようなスケールを利用するレシピを明らかにすることを目的としている。 主な目的は、動的スパースモデル構造下でのコンピューティングリソースのより良い使用と、実際のハードウェアで期待されるパフォーマンス向上の実現である。
  論文  参考訳（メタデータ） (2025-05-07T15:46:36Z)
• Hardware-Accelerated Event-Graph Neural Networks for Low-Latency Time-Series Classification on SoC FPGA [0.043533652831655174]
  時系列分類のためのイベントグラフニューラルネットワークのハードウェア実装を提案する。 入力された時系列信号をスパースイベントデータ形式に変換するために,人工的コチェリーモデルを利用する。 提案手法は, ベースモデルのSHDデータセット上で92.7%の浮動小数点精度を実現する。
  論文  参考訳（メタデータ） (2025-03-09T14:08:46Z)
• SMPLer-X: Scaling Up Expressive Human Pose and Shape Estimation [83.18930314027254]
  表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。 本研究では,VT-Huge をバックボーンとする第1次一般基礎モデル (SMPLer-X) に向けた EHPS のスケールアップについて検討する。 ビッグデータと大規模モデルにより、SMPLer-Xは、さまざまなテストベンチマークにまたがる強力なパフォーマンスと、目に見えない環境への優れた転送性を示す。
  論文  参考訳（メタデータ） (2023-09-29T17:58:06Z)
• An Empirical Study of Large-Scale Data-Driven Full Waveform Inversion [33.19446101601603]
  本稿では,ビッグデータがディープラーニングモデルに与える影響について検討し,FWI(Full Waveform Inversion)問題の解法を提案する。 我々は470万組の地震データと速度マップを含むOpenFWIの10個の2次元サブセットの組み合わせでFWIモデルを訓練し、評価する。 実験の結果,MAEは平均13.03%,MSEは7.19%,SSIMは1.87%の改善が得られた。
  論文  参考訳（メタデータ） (2023-07-28T08:32:11Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Self-Supervised Pre-Training for Transformer-Based Person Re-Identification [54.55281692768765]
  トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。 この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
  論文  参考訳（メタデータ） (2021-11-23T18:59:08Z)
• A contextual analysis of multi-layer perceptron models in classifying hand-written digits and letters: limited resources [0.0]
  我々は,前処理や特徴抽出を行わずに,終端から終端までのバニラニューラルネットワーク(MLP)アプローチを純粋に検証した。 基礎的なデータマイニング操作は,計算時間の観点からモデルの性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-07-05T04:30:37Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Classifying CMB time-ordered data through deep neural networks [0.0]
  CMB実験の検出器を分類するための教師付き機械学習モデルを提案する。 このモデルは深層畳み込みニューラルネットワークに対応する。 私たちのモデルは現在のパイプラインの約10倍の速度で、リアルタイム実装に適しています。
  論文  参考訳（メタデータ） (2020-04-13T22:34:30Z)

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。