[論文レビュー] SeismoGen: Seismic Waveform Synthesis Using Generative Adversarial Networks

Tiantong Wang, Daniel T. Trugman+1 more|arXiv (Cornell University)|Nov 10, 2019

Seismology and Earthquake Studies参考文献 56被引用数 5

ひとこと要約

本稿では、地震およびノイズの両クラスの3成分地震波形をリアルistically合成する条件付き生成対抗ネットワーク（GAN）であるSeismoGenを提案する。オクラホマの限られた実データで訓練されたGANによる波形生成は、小規模な実データ訓練セットを拡張する際に、地震検出の精度を顕著に向上させ、データが不足する地震学的応用分野における合成データの可能性を示している。

ABSTRACT

Detecting earthquake events from seismic time series has proved itself a challenging task. Manual detection can be expensive and tedious due to the intensive labor and large scale data set. In recent years, automatic detection methods based on machine learning have been developed to improve accuracy and efficiency. However, the accuracy of those methods relies on a sufficient amount of high-quality training data, which itself can be expensive to obtain due to the requirement of domain knowledge and subject matter expertise. This paper is to resolve this dilemma by answering two questions: (1) provided with a limited number of reliable labels, can we use them to generate more synthetic labels; (2) Can we use those synthetic labels to improve the detectability? Among all the existing generative models, the generative adversarial network (GAN) shows its supreme capability in generating high-quality synthetic samples in multiple domains. We designed our model based on GAN. In particular, we studied several different network structures. By comparing the generated results, our GAN-based generative model yields the highest quality. We further combine the dataset with synthetic samples generated by our generative model and show that the detectability of our earthquake classification model is significantly improved than the one trained without augmenting the training set.

研究の動機と目的

• 機械学習モデルの訓練に向けたラベル付き地震データが限られているという課題に対処すること。
• イベントおよびノイズの両クラスを模倣するリアルな合成地震波形を生成できる生成モデルの開発すること。
• 生成されたGANによる合成波形が、実データの訓練セットに組み合わせて使用された場合、地震検出アルゴリズムの性能を向上させることを評価すること。
• 訓練済みの分類器を用いた定性的および定量的ベンチマークを通じて、合成波形の現実性と有用性を検証すること。

提案手法

• 条件付きGANアーキテクチャを採用し、ジェネレータネットワークがランダムノイズを、クラスラベル（イベントまたはノイズ）に条件づけて3成分地震波形にマッピングする。
• ディスクラミネータネットワークは、実波形とジェネレータが生成した波形を識別するように訓練され、リアルさを向上させるために敵対的訓練が行われる。
• モデルは、オクラホマの2つの地震観測所（V34AおよびV35A）からの限られた実データセットで訓練され、当該地域特有の波形パターンに焦点を当てる。
• イベントおよびノイズの両クラスで合成波形が生成され、実データと組み合わせて、下流の検出モデル用の拡張訓練セットを構築する。
• 検出性能は、機械学習ベースの地震分類器を用いて評価され、実データのみ vs. 実データ＋合成データの両方の訓練セットにおける検出精度を比較する。
• 合成波形の現実性と有用性を検証するために、視覚的検査と定量的指標（例：F1スコア、AUC）の両方が用いられる。

実験結果

リサーチクエスチョン

• RQ1 GANモデルは、イベントおよびノイズの両クラスにおいて、実波形と区別がつかない高精細な合成地震波形を生成できるか？
• RQ2 限られた実データセットから生成された合成波形が、データ拡張の目的で使用された場合、地震検出モデルの性能を向上させることができるか？
• RQ3 データが少ない状況下で、実データのみで訓練された検出モデルと、実データ＋合成データで訓練されたモデルの性能は、どのように比較されるか？
• RQ4 合成波形は、実地震データに見られる時間的およびチャンネル間相関をどの程度保持しているか？

主な発見

• 訓練済みの分類器による確認により、GANで生成された波形は、イベントおよびノイズの両クラスにおいて、視覚的および定量的に実波形と区別がつかない。
• 実データのみで訓練されたモデルと比較して、実データ＋合成データで訓練されたモデルは、特に実データが不足している状況において、顕著に高いF1スコアおよびAUC値を達成する。
• わずか2つの地震観測所のデータしか使用しなくても、モデルはリアルな波形を生成するという強力な一般化能力を示しており、地域的地質的文脈内での妥当性が裏付けられる。
• 合成波形は、現実的なチャンネル間相関および時間的パターンを保持しており、波形構造の忠実性が裏付けられる。
• 本アプローチは、データ不足問題を効果的に緩和し、最小限のラベル付き訓練データで高精度な検出を実現可能にする。