[論文レビュー] Variational Autoencoders for P-wave Detection on Strong Motion Earthquake Spectrograms

Türkan Simge İşpak, Salih Tileylioğlu+1 more|arXiv (Cornell University)|Jan 9, 2026

Seismology and Earthquake Studies被引用数 0

ひとこと要約

論文は4つのVAEアーキテクチャ（Basic, Skip, Attention, Hybrid）を系統的に比較し、強震動スペクトログラムにおけるP波検出のための再構成忠実度と異常検知のトレードオフを研究する。検出にはAttentionベースのVAEが最も適していることを示す。

ABSTRACT

Accurate P-wave detection is critical for earthquake early warning, yet strong-motion records pose challenges due to high noise levels, limited labeled data, and complex waveform characteristics. This study reframes P-wave arrival detection as a self-supervised anomaly detection task to evaluate how architectural variations regulate the trade-off between reconstruction fidelity and anomaly discrimination. Through a comprehensive grid search of 492 Variational Autoencoder configurations, we show that while skip connections minimize reconstruction error (Mean Absolute Error approximately 0.0012), they induce "overgeneralization", allowing the model to reconstruct noise and masking the detection signal. In contrast, attention mechanisms prioritize global context over local detail and yield the highest detection performance with an area-under-the-curve of 0.875. The attention-based Variational Autoencoder achieves an area-under-the-curve of 0.91 in the 0 to 40-kilometer near-source range, demonstrating high suitability for immediate early warning applications. These findings establish that architectural constraints favoring global context over pixel-perfect reconstruction are essential for robust, self-supervised P-wave detection.

研究の動機と目的

• VAEのアーキテクチャ的バイアスが強震動スペクトログラム上のP波検出における再構成と異常検知にどう影響するかを調査する。
• 4つのVAEバリアント（Basic-VAE, Skip-VAE, Attention-VAE, Hybrid-VAE）を大規模な設定グリッドで評価する。
• 検出性能（AUC）を最大化しつつ再構成品質（MAE）を管理するアーキテクチャ設定を特定する。
• 潜在容量とTransformerハイパーパラメータが近地点から遠地点までの頑健性と安定性に与える影響を評価する。

提案手法

• P波検出をP波ウィンドウで訓練されたVAEを用いた自己教師付き異常検知として定式化する。
• 前処理済みの強震動加速度記録からアーティファクト除去とFBMベースのノイズ増強を行いスペクトログラム入力を生成する。
• 対称型エンコーダ – デコーダ構造を持つ4種類のVAEバリアント（Basic-VAE, Skip-VAE, Attention-VAE, Hybrid-VAE）を訓練する。
• 再構成スコアとしてMAEと類似度スコアとしてNCCを用い、スライディングウィンドウでROC-AUCによって検出を評価する。
• 潜在次元を32–256でグリッド探索し、AttentionモデルではTransformer深さ（1–48）とヘッド数を探索して合計492構成を評価する。
• アーキテクチャをBest AUCと対応MAEで比較し、再構成と検出のトレードオフを強調する。

Figure 1: Detection performance versus reconstruction quality for the four VAE architectures tested in our experiments. Detection is measured by the Area Under the Receiver Operating Characteristic Curve ( $\mathit{AUC}$ , higher is better), and reconstruction is measured by the Mean Absolute Error

実験結果

リサーチクエスチョン

• RQ1 どのアーキテクチャ的バイアス（スキップ接続、自己注意）が強震動スペクトログラムのP波開始検出の再構成忠実度と異常検知のバランスを最も良く取れるか？
• RQ2 潜在容量（32–256）とTransformerハイパーパラメータが近地点距離全体で検出の安定性と性能にどう影響するか？
• RQ3 自己教師付きP波検出でAttentionベースのVAEは大規模ラベル付きデータなしで再構成重視バリアントを上回れるか？
• RQ4 P波検知開始に対するウィンドウの整列がBestアーキテクチャの検出性能に与える影響はどの程度か？
• RQ5 源-観測点間距離が提案モデルの検出能力にどう影響するか？

主な発見

Architecture	Detection (AUC)	Reconstruction (MAE)
Basic-VAE (No Skips, No Attention)	0.8074	0.00461
Skip-VAE	0.8210	0.00119
Attention-VAE	0.8749	0.00428
Hybrid-VAE (Skips and Attention)	0.8445	0.00213

• Attention-VAEはアーキテクチャの中で最も高い検出AUC（0.8749）を達成する一方、再構成誤差は大きくなる（MAE 0.00428）。
• Skip-VAEは再構成誤差が最も小さい（MAE 0.00119）ものの検出性能は低い（AUC 0.8210）。
• Hybrid-VAEは0.8445のAUCと0.00213のMAEでバランスを提供。
• Basic-VAEは全体的な性能が最も弱く（AUC 0.8074, MAE 0.00461）。
• 最も優れたAttention-VAEは近地点でAUC ≈0.91（0–40 km）を達成し、即時EEWに適している可能性が高い。性能は時間的整列に敏感で、窓がP波の1 s前に開始する時にピークとなる。
• モデルの性能は高いグローバルコンテキストが検出を改善する一方、ピクセル単位の再構成は異常識別を損なうトレードオフを示す。

Figure 2: Unified diagram of the proposed VAE architectures. Components marked with an asterisk (*) are optional, defining four configurations: Basic-VAE (baseline encoder–decoder), Skip-VAE (incorporating long-range skip connections), Attention-VAE (incorporating the self-attention bottleneck), and