論文の概要: GNSS-FM: A Self-Supervised Foundation Model for Daily GNSS Displacement Time Series

• arxiv url: http://arxiv.org/abs/2606.07725v1
• Date: Fri, 05 Jun 2026 16:39:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.368421
• Title: GNSS-FM: A Self-Supervised Foundation Model for Daily GNSS Displacement Time Series
• Title（参考訳）: GNSS-FM: 日々のGNSS変位時間時系列のための自己監督型基礎モデル
• Authors: Nick Teutschmann, Laura Crocetti, Fanny Lehmann, Leonardo Trentini, Benedikt Soja,
• Abstract要約: 我々は,日次時系列の自己教師型基礎モデルであるFMを提示する。 全世界の17,000以上の放送局のデータに基づいて事前訓練されている。 その結果,自己指導型事前学習は時系列分析に有望な手法であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Displacement time series from Global Navigation Satellite Systems (GNSS) are essential for a wide range of applications, including monitoring tectonic crustal deformations and investigating the different stages of the earthquake cycle. Machine learning methods have proven promising for GNSS applications; however, most remain fully supervised. This creates a bottleneck as labeled data are scarce, even though large amounts of unlabeled GNSS data are freely available. We present GNSS-FM, a self-supervised foundation model for daily GNSS time series. The model uses a dual-stream input combining displacement and velocity-like increments, and is pretrained using a masked latent prediction objective with vector-quantized targets adapted from wav2vec 2.0, with several modifications for geodetic data. Pretrained on data from over 17,000 globally distributed GNSS stations, an analysis of the learned codebook suggests that the representations capture the main signal types in GNSS displacement data, including seismic offsets, tectonic drift, and seasonal patterns. The foundation model is later fine-tuned on two downstream tasks, namely 90-day displacement forecasting and seismic step localization, where it outperforms strong task-specific baselines in both cases. These results show that self-supervised pretraining is a promising approach for GNSS time series analysis.
• Abstract（参考訳）: 地球航法衛星システム(GNSS)の変位時系列は、地殻変動のモニタリングや地震周期の異なる段階の調査など、幅広い用途に欠かせない。 機械学習の手法は GNSS アプリケーションに有望であることが証明されているが、ほとんどは完全に管理されている。 これにより、ラベル付きデータが不足しているため、大量のラベルなしGNSSデータが自由に利用可能であるにもかかわらず、ボトルネックが生じる。 GNSS-FMは、日次GNSS時系列の自己教師型基礎モデルである。 このモデルは、変位と速度のようなインクリメントを組み合わせたデュアルストリーム入力を使用し、wav2vec 2.0から適応されたベクトル量子化ターゲットとマスク付き潜在予測目標を用いて事前訓練され、幾つもの測地データに対して修正される。 グローバルに分散した17,000以上のGNSS観測所のデータに基づいて、学習されたコードブックの分析により、地震のオフセット、テクトニックドリフト、季節パターンを含む、GNSS変位データの主要信号タイプを捉えることが示唆された。 基礎モデルはその後、90日間の変位予測と地震ステップの局所化という2つの下流タスクに基づいて微調整され、両方のケースにおいて強いタスク固有のベースラインを上回っている。 これらの結果から,自己教師付き事前学習は,GNSS時系列解析において有望なアプローチであることが示された。

関連論文リスト

• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や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） (2026-04-20T11:40:39Z)
• GTS_Forecaster: a novel deep learning based geodetic time series forecasting toolbox with python [13.397971255488365]
  我々は地理時系列予測のためのオープンソースのPythonパッケージであるGTS Forecasterを紹介する。 高度なディープラーニングモデルを統合し、非線形空間時間パターンを効果的にモデル化する。 GTS Forecasterは、外れ値データセットの予測、可視化、評価をサポートする。
  論文  参考訳（メタデータ） (2025-09-10T06:33:09Z)
• Learning-based NLOS Detection and Uncertainty Prediction of GNSS Observations with Transformer-Enhanced LSTM Network [2.798138034569478]
  本研究では,NLOSの検出と誤りの予測を擬似時間的モデリング問題を用いて行う深層学習に基づく手法を提案する。 香港とAachenのデータセットを使って、提案したネットワークをトレーニングし、評価する。 提案手法は,NLOS観測の分類・排除により,実世界の車両位置の軌跡のばらつきを回避できることを示す。
  論文  参考訳（メタデータ） (2023-09-01T14:17:02Z)
• Probabilistic detection of GNSS spoofing using opportunistic information [1.9688858888666714]
  民間の信号は通常暗号的に保護されない。 これにより、シグナルをフォッジする攻撃が比較的容易になる。 現代のデバイスではネットワーク接続やオンボードセンサーが頻繁に搭載されているため,スポフィングの確率的検出法が提案されている。
  論文  参考訳（メタデータ） (2023-05-09T12:53:07Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• Score-based Generative Modeling in Latent Space [93.8985523558869]
  スコアベース生成モデル(SGM)は,最近,サンプル品質と分布範囲の両面で顕著な結果を示した。 本稿では,Latent Score-based Generative Model (LSGM)を提案する。 データから潜在空間への移動により、より表現力のある生成モデルをトレーニングし、非連続データにSGMを適用し、よりスムーズなSGMをより小さな空間で学習することができる。
  論文  参考訳（メタデータ） (2021-06-10T17:26:35Z)

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。