論文の概要: SeisEvo: Evolution of Seismic Data Reconstruction Algorithms by Agents
- arxiv url: http://arxiv.org/abs/2608.18272v1
- Date: Tue, 18 Aug 2026 19:45:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.198535
- Title: SeisEvo: Evolution of Seismic Data Reconstruction Algorithms by Agents
- Title（参考訳）: Seisevo: エージェントによる地震データ再構成アルゴリズムの進化
- Abstract要約: 本稿では,単一再構成結果を最適化するのではなく,生成するアルゴリズムを探索するSeisEvo(Seismic Algorithm Evolution)を提案する。
出力はエージェントシステムやニューラルネットワークではなく、エージェントやニューラルネットワークを必要としないスタンドアロンのホワイトボックスアルゴリズムである。
- 参考スコア（独自算出の注目度）: 6.501858531722388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classical seismic data reconstruction relies on manually designed structural priors and iterative operators, whose coupled design space is far larger than manual trial and error can explore systematically. Deep-learning methods encode the reconstruction rules in learned weights rather than in an explicit operator that can be inspected and modified. We propose SeisEvo (Seismic Algorithm Evolution), which does not optimize a single reconstruction result but searches for the algorithm that produces it. Starting from a classical reconstruction algorithm, an LLM-driven multi-agent search modifies only the components that the user has opened for editing, without prescribing the mechanism to be discovered. Candidates that violate the physical constraints of the task are rejected outright, and the remaining ones are scored by execution. The output is neither an agent system nor a neural network, but a standalone white-box algorithm that requires no agent or neural network at inference time. For interpolation without added noise, the search discovered a residual-gated, phase-aligned dip-consistency projection; Evo-POCS improves the SNR over classic POCS by 3.49 dB on average across missing ratios from 30% to 70%. For simultaneous interpolation and denoising, it discovered a reliability-grouped singular-value shrinkage; Evo-MSSA improves the average reconstruction SNR by more than 7 dB over classic MSSA and by more than 3 dB over a stronger rank-reduction baseline. Both operators retain their gains on data not used during the search. To the best of our knowledge, this is the first study to formulate the design of a seismic reconstruction operator as a constrained, LLM-driven program evolution task. Agentic algorithm evolution can thus complement deep learning in discovering explicit, inspectable, and deployable seismic processing algorithms.
- Abstract（参考訳）: 古典的な地震データ再構成は、手動で設計された事前設計と反復演算子に依存しており、その結合設計空間は手動試験よりもはるかに大きく、エラーは体系的に探索できる。
ディープラーニング手法は、検査や修正が可能な明示的な演算子ではなく、学習した重みの再現ルールを符号化する。
本稿では,単一再構成結果を最適化するのではなく,生成するアルゴリズムを探索するSeisEvo(Seismic Algorithm Evolution)を提案する。
古典的再構成アルゴリズムから始めると、LLM駆動のマルチエージェント検索は、ユーザーが編集するために開いたコンポーネントだけを、発見するメカニズムを規定することなく修正する。
タスクの物理的制約に違反した候補は、完全に拒否され、残りの候補は実行によって得点される。
出力はエージェントシステムやニューラルネットワークではなく、エージェントやニューラルネットワークを推論時に必要としないスタンドアロンのホワイトボックスアルゴリズムである。
Evo-POCSは従来のPOCSよりも平均3.49dBのSNRを30%から70%に改善した。
Evo-MSSAは、古典的なMSSAよりも7dB以上、より強いランク付け基準よりも3dB以上、平均再構成SNRを改善する。
どちらのオペレータも、検索中に使われていないデータに対する利益を保っている。
我々の知る限り、この研究は、地震復興作業員を制約付きLLM駆動プログラム進化タスクとして定式化する最初の研究である。
エージェントアルゴリズムの進化は、明示的で、検査可能で、デプロイ可能な地震処理アルゴリズムを発見する際に、ディープラーニングを補完することができる。
関連論文リスト
- From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。
本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。
大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-14T18:57:32Z) - AnomalyAgent: Agentic Industrial Anomaly Synthesis via Tool-Augmented Reinforcement Learning [7.129476412364631]
本稿では,自己回帰,知識検索,反復的精錬機能を備えた異常合成エージェントであるAnomalyAgentを提案する。
具体的には、AnomalyAgentは、プロンプト生成(PG)、画像生成(IG)、品質評価(QE)、知識検索(KR)、マスク生成(MG)の5つのツールを備えている。
MVTec-ADデータセットでは、AnomalyAgent合成は、異常生成のための2.0.33のIS/IC-L、ResNet34を用いた57.0%の分類精度、単純なUNetを使用して画像/ピクセルレベルで99.3%/74.2%のAPを達成する。
論文 参考訳（メタデータ） (2026-04-09T07:17:00Z) - NEVO-GSPT: Population-Based Neural Network Evolution Using Inflate and Deflate Operators [3.513869875017041]
glsngsptは、2つの重要な革新に基づく新しい神経進化アルゴリズムである。
glsngsptは、確立された手法に匹敵するパフォーマンスを達成するコンパクトニューラルネットワークを一貫して進化させる。
論文 参考訳（メタデータ） (2026-01-13T15:35:16Z) - One-bit Compressed Sensing using Generative Models [20.819739287436317]
本稿では,深層学習に基づく再構成アルゴリズムを用いた1ビット圧縮センシングの古典的問題に対処する。
事前学習されたニューラルネットワークは、低次元の潜在空間から高次元のスパースベクトル集合への写像を学ぶ。
提案アルゴリズムは、生成モデルが、疎性を超えた信号に関する付加的な構造情報を学習できるため、優れた再構成性能を提供する。
論文 参考訳（メタデータ） (2025-02-18T11:28:35Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Revisiting Recursive Least Squares for Training Deep Neural Networks [10.44340837533087]
再帰最小二乗法(RLS)アルゴリズムは、その高速収束のため、かつては小規模ニューラルネットワークのトレーニングに広く用いられていた。
従来のRSSアルゴリズムは、計算複雑性が高く、事前条件が多すぎるため、ディープニューラルネットワーク(DNN)のトレーニングには適さない。
本稿では,フィードフォワードニューラルネットワーク,畳み込みニューラルネットワーク,リカレントニューラルネットワークの3つの新しいRSS最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-07T17:43:51Z) - A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。
得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文 参考訳（メタデータ） (2021-04-19T14:43:07Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳（メタデータ） (2021-01-12T08:36:23Z) - Evolving Search Space for Neural Architecture Search [70.71153433676024]
最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。
我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。
遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
論文 参考訳（メタデータ） (2020-11-22T01:11:19Z) - Investigating the Scalability and Biological Plausibility of the
Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。
このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。
また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文 参考訳（メタデータ） (2020-10-13T08:02:38Z) - Self-Organized Operational Neural Networks for Severe Image Restoration
Problems [25.838282412957675]
畳み込みニューラルネットワーク(CNN)に基づく離散学習は、ノイズとクリーンのイメージペアのトレーニング例から学習することで、画像復元を行うことを目的としている。
これは畳み込みに基づく変換の本質的な線形性によるものであり、深刻な復元問題に対処するには不十分である。
画像復元のための自己組織型ONN(Self-ONN)を提案する。
論文 参考訳（メタデータ） (2020-08-29T02:19:41Z)
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。