論文の概要: Are Seismic Foundation Models More Than Glorified Feature Extractors?

• arxiv url: http://arxiv.org/abs/2610.38003v1
• Date: Tue, 27 Oct 2026 21:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.338879
• Title: Are Seismic Foundation Models More Than Glorified Feature Extractors?
• Title（参考訳）: 震源モデルが特徴外乱の栄光以上のものなのか?
• Abstract要約: 個々の地震の地震波は数秒から数分にわたって伝播し、地震自体はスパースで自励的な発生過程として数秒から数ヶ月間の時間間隔で到達する。 我々は,3Mウィンドウの固定コーパスで訓練されたMambaエンコーダ-デコーダを1つ共有する9つのモデル設計を開発し,自己教師対象,量子化ボトルネック,ミキサーを改良した。
• 参考スコア（独自算出の注目度）: 6.590683996891037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earthquake sequences are stochastic on two separated timescales: the seismic waves of any individual earthquake propagate over seconds to minutes, while the earthquakes themselves arrive as a sparse, self-exciting occurrence process, with inter-event intervals from seconds to months. Respecting both scales in one training objective is the open challenge. Foundation models (FMs) for seismic waveforms instead import their learning targets from audio and vision, where every target is computed from a single fixed-length window. Such a window holds one realization of the wave propagation (an earthquake trace), never the occurrence process that decides when earthquakes happen. We develop nine model designs sharing one Mamba encoder-decoder, trained on a fixed corpus of 3M windows, varying the self-supervised objective, quantization bottleneck and mixer; the two key comparisons are architecture-matched, varying the objective alone. Each checkpoint is evaluated frozen on three downstream tasks. Varying the target redistributes downstream skill rather than raising it, and no checkpoint wins everywhere. Adding masking pressure to our strongest classifier re-specializes it rather than making it a generalist: it gains 6.9 points of few-shot P-wave picking precision and loses 9.6 points of few-shot classification accuracy. By the standard imported from language and vision, these models are feature extractors rather than FMs. Controls on capacity, architecture, and domain proximity do not explain why skill moves rather than rises. Against task-specific baselines the advantage is regime-dependent: our checkpoints beat them few-shot on classification and ground-motion prediction, and trail them on full data. We argue the binding constraint is the target, and that settling the question requires a learning target defined across events, the timescale that makes seismicity stochastic in the first place.
• Abstract（参考訳）: 個々の地震の地震波は数秒から数分にわたって伝播し、地震自体はスパースで自励的な発生過程として数秒から数ヶ月間の時間間隔で到達する。 両方のスケールを1つのトレーニング目標に反映することは、オープンな課題です。 地震波形の基礎モデル(FM)は、その代わりに学習対象をオーディオと視覚からインポートする。 このような窓には波動伝播(地震の痕跡)の1つの実現があり、地震の発生時期を決定する過程は一切ない。 我々は,3Mウィンドウの固定コーパス上で訓練されたMambaエンコーダとデコーダを共用する9つのモデル設計法を開発した。 各チェックポイントは3つの下流タスクでフリーズされる。 目標を立てるのではなく、下流のスキルを再分配し、あらゆる場所でチェックポイントが勝つことはない。 最強の分類器にマスキング圧力を加えることで、ジェネラリストにするのではなく、再特定する。これは、数発のP波のピック精度の6.9ポイントを獲得し、数発の分類精度の9.6ポイントを失う。 言語や視覚から輸入された標準では、これらのモデルはFMではなく特徴抽出器である。 キャパシティ、アーキテクチャ、ドメイン近接性の制御は、なぜスキルが上昇するのではなく動くのかを説明するものではない。 タスク固有のベースラインに対して、当社のチェックポイントは、分類と地動予測で数ショットを上回り、完全なデータでそれらを追跡します。 我々は、結合制約がターゲットであり、この疑問を解決するためには、そもそも地震を確率的にする時間尺度である、イベント間で定義された学習目標が必要であると論じている。

関連論文リスト

• PointCast: One World Model for Rigid, Articulated, and Deformable Object Manipulation [9.565234850850489]
  PointCastは、厳密で明瞭で変形可能なオブジェクト操作にまたがるポイントセットの世界モデルである。 その状態は、オブジェクトとエンドエフェクタ、メッシュフリー、トポロジーに依存しない3Dポイントのセットである。 19.8Mパラメータのこの1つのアーキテクチャと1つのトレーニングレシピは、4つのレシエーション、剛体オブジェクト、布、ロープ、多関節キャビネットをカバーしている。
  論文  参考訳（メタデータ） (2026-09-23T17:02:18Z)
• Grouping the Stochastic Machine: Precision, Not Capability, as the Frontier Metric for AI Systems [0.0]
  私は、フロンティア言語モデルは、最高の、平均的なアウトプットが達成できる能力で比較され、市場化され、ベンチマークされていると論じます。 現在あるシステムと別のシステムを分離しているのは、精度です。 私は、グループ化基準を定義し、ハーネスを指定し、時間とともに人間とAIのペアのグルーピングを追跡することで、Paper 1のフィールドスタディが必要とする合成信号がどのように得られるかを示す。
  論文  参考訳（メタデータ） (2026-08-19T17:29:47Z)
• What Iterated Self-Feeding Probes of Language Models Measure, and a test that separates the construction from the model [0.0]
  メソッドのクラスは、独自の出力を与えて言語モデルを探索する。 我々は、その問題を鋭くするために選ばれた工事において、そのような調査がどう対処するかを尋ねる。 答えは、見た目が似ている読書において、一度に2つの異なるものを測定することだ。
  論文  参考訳（メタデータ） (2026-08-11T14:40:35Z)
• Can Machines Really See Objects in Images? A Study Based on Syntactic Distance and Visual Self-Referential Instances [53.65561607407989]
  そのような局所的な手がかりが区別の安定な基盤を提供しない場合、モデルが依然として正しく分類できるかどうかを問う。 ResNetとVision Transformersの実験では、一貫した位相遷移現象が明らかになった。 結果は、汎用インテリジェンスは、既存の言語を再利用するのではなく、新しい言語を作成する必要があることを示唆している。
  論文  参考訳（メタデータ） (2026-06-28T14:27:40Z)
• WaveCastNet: Rapid Wavefield Forecasting for Earthquake Early Warning via Deep Sequence to Sequence Learning [39.90475403089907]
  WaveCastNetは、畳み込み長表現型メモリアーキテクチャをシーケンスからシーケンスへの予測フレームワークに統合する。 空間次元と時間次元の重みを共有することで、WaveCastNetはトランスフォーマーのようなリソース集約モデルよりもパラメータを著しく少なくする。 サンフランシスコ・ベイエリアのシミュレーションデータを用いて, 破壊的な地盤運動の強度とタイミングをリアルタイムで予測する能力を示す。
  論文  参考訳（メタデータ） (2024-05-30T22:18:16Z)
• Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
  有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。 本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。 センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
  論文  参考訳（メタデータ） (2023-02-25T18:12:37Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Contrastive Learning Approach for Semi-Supervised Seismic Facies Identification Using High-Confidence Representations [7.636880727970561]
  本研究では, ラベルなしデータの特徴を用いた半教師付き耐震フェーシ同定手法を提案する。 我々は,SEAM AI と Netherlands F3 の2つの公的な地震探査実験を行い,提案モデルは F3 のアノテーションの 1% しか使用せず,90 以上のIOU スコアを達成している。
  論文  参考訳（メタデータ） (2022-10-10T15:36:05Z)
• Non-Local Latent Relation Distillation for Self-Adaptive 3D Human Pose Estimation [63.199549837604444]
  3次元ポーズ推定アプローチは、強い(2D/3Dポーズ)または弱い(複数ビューまたは深さ)ペアによる監督の異なる形態を利用する。 我々は3Dポーズ学習を,ラベル付きソースドメインから完全に損なわれないターゲットへのタスク知識の転送を目的とした,自己指導型適応問題として捉えた。 我々は、異なる自己適応設定を評価し、標準ベンチマークで最先端の3Dポーズ推定性能を示す。
  論文  参考訳（メタデータ） (2022-04-05T03:52:57Z)
• Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
  深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。 本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:51:55Z)

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。