[논문 리뷰] SeismoGen: Seismic Waveform Synthesis Using Generative Adversarial Networks

Tiantong Wang, Daniel T. Trugman외 1명|arXiv (Cornell University)|2019. 11. 10.

Seismology and Earthquake Studies참고 문헌 56인용 수 5

한 줄 요약

이 논문은 오クラهد마의 제한된 실측 데이터를 기반으로 훈련된 조건부 생성 적대 신경망(GAN)인 SeismoGen을 제안한다. 이 모델은 지진 및 노이즈 클래스의 실재적인 3성분 지진파를 합성한다. 실측 데이터가 적은 훈련 세트에 이를 활용해 데이터 증강을 수행할 경우, 지진 탐지 정확도가 크게 향상되며, 이는 데이터가 부족한 지구물리학적 응용 분야에서 합성 데이터의 잠재력을 입증한다.

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.

연구 동기 및 목표

• 지진 탐지 모델을 훈련하기 위한 레이블이 부족한 지진학적 데이터 문제를 해결하기 위해.
• 실제 이벤트 및 노이즈 클래스를 모두 모방할 수 있는 현실적인 합성 지진파를 생성할 수 있는 생성 모델을 개발하기 위해.
• 합성 지진파가 실측 훈련 데이터에 추가될 경우 지진 탐지 알고리즘의 성능 향상 여부를 평가하기 위해.
• 훈련된 분류기로 얻은 정량적 및 정성적 기준을 통해 합성 지진파의 현실성과 유용성을 검증하기 위해.

제안 방법

• 조건부 GAN 아키텍처를 사용하여, 생성자 네트워크가 랜덤 노이즈를 입력으로 받아 클래스 레이블(이벤트 또는 노이즈)에 따라 3성분 지진파로 변환한다.
• 판별자 네트워크는 실측 지진파와 생성자에 의해 생성된 지진파를 구분하도록 훈련되며, 적대적 훈련을 통해 현실성 향상을 도모한다.
• 모델은 오クラهد마의 두 지진계(기지 V34A 및 V35A)에서 확보한 제한된 실측 데이터셋을 기반으로 훈련되며, 해당 지역의 고유한 파형 패턴에 집중한다.
• 이벤트 및 노이즈 클래스 모두에서 합성 지진파를 생성하고, 이를 실측 데이터와 융합하여 후속 탐지 모델용 증강 훈련 세트를 구성한다.
• 기계학습 기반의 지진 분류기를 사용하여 성능을 평가하며, 실측 데이터만 사용한 경우와 실측 + 합성 데이터를 사용한 경우의 탐지 정확도를 비교한다.
• 합성 지진파의 현실성과 유용성을 검증하기 위해 시각적 검토와 정량적 지표(F1-score, AUC 등)를 모두 활용한다.

실험 결과

연구 질문

• RQ1 GAN 모델이 이벤트 및 노이즈 클래스 양쪽 모두에서 실측 지진파와 구분이 불가능한 고해상도 합성 지진파를 생성할 수 있는가?
• RQ2 제한된 실측 데이터에서 유도된 합성 지진파가 데이터 증강 목적으로 사용될 경우, 지진 탐지 모델의 성능 향상에 기여할 수 있는가?
• RQ3 데이터가 적은 상황에서 실측 데이터만으로 훈련된 모델과 실측 + 합성 데이터로 훈련된 모델의 성능는 어떻게 비교되는가?
• RQ4 합성 지진파가 실측 지진자료에 존재하는 시간적 및 채널 간 상관관계를 어느 정도 유지하는가?

주요 결과

• 훈련된 분류기의 결과에 따르면, 합성 지진파는 이벤트 및 노이즈 클래스 모두에서 실측 지진파와 시각적·정량적으로 구분이 불가능하다.
• 실측 데이터에 합성 데이터를 추가한 증강 훈련 세트로 훈련된 탐지 모델은 실측 데이터만으로 훈련된 모델에 비해 F1-score 및 AUC 값이 유의미하게 높게 나타났으며, 특히 실측 데이터가 부족한 경우에 두드러진 성능 향상을 보였다.
• 단 두 개의 지진계 데이터만으로도 실측 지진파를 현실적으로 생성하는 데 성공하여, 지역 지질학적 맥락 내에서의 강력한 일반화 능력을 입증했다.
• 합성 지진파는 실측 지진자료의 채널 간 상관관계와 시간 패턴을 잘 유지하고 있어 파형의 구조적 정밀도가 높음을 시사한다.
• 이러한 접근은 데이터 부족 문제를 효과적으로 완화하며, 최소한의 레이블이 부여된 훈련 데이터로도 높은 성능의 탐지가 가능하게 한다.