論文の概要: SeisBench DAS: A machine learning framework for Distributed Acoustic Sensing
- arxiv url: http://arxiv.org/abs/2609.07558v1
- Date: Mon, 07 Sep 2026 14:40:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.44482
- Title: SeisBench DAS: A machine learning framework for Distributed Acoustic Sensing
- Title（参考訳）: SeisBench DAS: 分散音響センシングのための機械学習フレームワーク
- Abstract要約: 地震学における機械学習のためのSeesBenchライブラリの拡張であるSeesBench DASを紹介する。
標準化されたメタデータやラベル、DASモデルを含む、DASベンチマークデータセットの標準フォーマットを定義する。
データ取り込みと仮想配列処理のためのxdasフレームワークと、機械学習モデルを読んで適用するためのPyTorch上に構築されている。
- 参考スコア（独自算出の注目度）: 4.5144500106609975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fibre optic sensing, such as distributed acoustic sensing (DAS), has become a widespread technology for geophysical studies. To process the large-scale datasets produced by DAS, several machine learning methods have been proposed. However, without standardization of data and models, these methods lack comparability and interoperability. This introduces a gap between model developers and practitioners analyzing DAS data and inhibits adoption of deep learning for DAS. To address these limitations, here we present SeisBench DAS, an extension to the SeisBench library for machine learning in seismology. SeisBench DAS defines standard formats for DAS benchmark datasets, including standardised metadata and labels, and DAS models. It builds on the xdas framework for data ingestion and virtual array handling, and on PyTorch for reading and applying the machine learning models. Importantly, SeisBench provides an engine to efficiently apply deep learning models to diverse formats of DAS data, bridging the gap between model developers and practitioners. SeisBench DAS is designed as an open and extensible framework, allowing to easily incorporate future developments in deep learning for DAS.
- Abstract（参考訳）: 分散音響センシング(DAS)のような光ファイバーセンシングは、地球物理学研究の幅広い技術となっている。
DASによって生成された大規模データセットを処理するために、いくつかの機械学習手法が提案されている。
しかし、データとモデルの標準化がなければ、これらの方法は互換性と相互運用性に欠ける。
これにより、モデル開発者とDASデータを解析する実践者の間にギャップが生じ、DASのディープラーニングの採用が阻害される。
ここでは,地震学における機械学習のためのSeesBenchライブラリの拡張であるSeesBench DASを紹介する。
SeisBench DASは、標準化されたメタデータやラベル、DASモデルを含む、DASベンチマークデータセットの標準フォーマットを定義する。
データ取り込みと仮想配列処理のためのxdasフレームワークと、機械学習モデルを読んで適用するためのPyTorch上に構築されている。
重要な点として、SeesBenchは、DASデータのさまざまなフォーマットにディープラーニングモデルを効率的に適用するためのエンジンを提供し、モデル開発者と実践者のギャップを埋める。
SeisBench DASはオープンで拡張可能なフレームワークとして設計されており、DASのためのディープラーニングに将来の開発を簡単に組み込むことができる。
関連論文リスト
- DINO-MX: A Modular & Flexible Framework for Self-Supervised Learning [0.0]
DINO-MXはDINO、DINOv2、DINOv3のコア原則を組み合わせたモジュラーおよびトレーニングフレームワークである。
さまざまなトランスフォーマーベースのアーキテクチャをサポートしており、Hugging Faceエコシステムと完全に互換性がある。
シングルチャネルとマルチチャネルのイメージを含む、自然と特殊の両方のデータタイプで動作するように設計されている。
論文 参考訳（メタデータ） (2025-11-03T14:10:43Z) - MoViAD: A Modular Library for Visual Anomaly Detection [4.790817958353412]
MoViADは、VADモデル、トレーナー、データセット、VADユーティリティへの高速で簡単にアクセスできるように設計されたライブラリである。
連続性、半教師付き、少数ショット、ノイズなど、幅広いシナリオをサポートする。
MoViADは、バックボーンの選択、堅牢な評価VADメトリクス(ピクセルレベルと画像レベル)、および効率分析に有用なプロファイリングツールを統合する。
論文 参考訳（メタデータ） (2025-07-16T09:10:38Z) - Secure Edge Computing Reference Architecture for Data-driven Structural Health Monitoring: Lessons Learned from Implementation and Benchmarking [0.0]
本稿では,データ駆動型構造健康モニタリング(SHM)に適した,スケーラブルでセキュアなエッジ計算参照アーキテクチャを提案する。
当社のソリューションでは,商用データ取得システムと,オープンソースエッジコンピューティングプラットフォームを運用する既製のハードウェアを統合して,クラウドサービスを通じてリモートで管理およびスケールする。
本研究では,2つのエッジコンピューティングハードウェアプラットフォーム上でSHMアプリケーションで一般的に使用される機械学習モデルの資源利用データを収集することにより,この枠組みを考察する。
論文 参考訳（メタデータ） (2025-03-24T16:33:25Z) - Data-Juicer 2.0: Cloud-Scale Adaptive Data Processing for and with Foundation Models [83.65386456026441]
Data-Juicer 2.0は、テキスト、画像、ビデオ、オーディオのモダリティにまたがる100以上のデータ処理オペレータがバックアップするデータ処理システムである。
データ分析、合成、アノテーション、基礎モデルのポストトレーニングなど、より重要なタスクをサポートする。
このシステムは公開されており、さまざまな研究分野やAlibaba Cloud PAIのような現実世界の製品で広く採用されている。
論文 参考訳（メタデータ） (2024-12-23T08:29:57Z) - Data-Juicer Sandbox: A Feedback-Driven Suite for Multimodal Data-Model Co-development [67.55944651679864]
統合データモデル共同開発に適した新しいサンドボックススイートを提案する。
このサンドボックスは、フィードバック駆動の実験プラットフォームを提供し、コスト効率とデータとモデルの両方のガイド付き洗練を可能にする。
論文 参考訳（メタデータ） (2024-07-16T14:40:07Z) - TSPP: A Unified Benchmarking Tool for Time-series Forecasting [3.5415344166235534]
本稿では,時系列予測モデルの開発に係わる重要なモデリングと機械学習の決定を明らかにする,統一的なベンチマークフレームワークを提案する。
このフレームワークは、モデルとデータセットのシームレスな統合を促進し、実践者と研究者の両方が開発作業を支援する。
このフレームワーク内で最近提案されたモデルをベンチマークし、最小限の努力で注意深く実装されたディープラーニングモデルは、勾配決定木に匹敵する可能性があることを実証した。
論文 参考訳（メタデータ） (2023-12-28T16:23:58Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳（メタデータ） (2023-08-20T12:43:52Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳（メタデータ） (2023-05-19T10:11:21Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z)
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。