[논문 리뷰] Variational Autoencoders for P-wave Detection on Strong Motion Earthquake Spectrograms

Türkan Simge İşpak, Salih Tileylioğlu외 1명|arXiv (Cornell University)|2026. 01. 09.

Seismology and Earthquake Studies인용 수 0

한 줄 요약

이 논문은 네 가지 VAE 구조(Basic, Skip, Attention, Hybrid)를 체계적으로 비교하여 강진 모사 스펙트로그램에서 P파 탐지의 재구성 재현력과 이상 탐지 간의 트레이드오프를 연구하고, 주의 기반 VAE가 탐지에 가장 적합하다고 결론짓습니다.

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.

연구 동기 및 목표

• VAEs의 구조적 편향이 강진 모사 스펙트로그램의 P파 탐지에서 재구성과 이상 탐지에 어떤 영향을 미치는지 조사한다.
• 네 가지 VAE 변형(Basic-VAE, Skip-VAE, Attention-VAE, Hybrid-VAE)을 다양한 구성에서 평가한다.
• 재구성 품질(MAE)을 관리하면서 탐지 성능(AUC)을 극대화하는 구조 구성을 식별한다.
• 잠재 차원 수와 Transformer 하이퍼파라미터가 근원지에서 원거리까지의 강건성과 안정성에 미치는 영향을 평가한다.

제안 방법

• P-wave 탐지를 P-wave 윈도우에서 학습된 VAE를 이용한 자기지도 이상 탐지 문제로 형식화한다.
• 사고 제거 및 FBM 기반 노이즈 증가를 포함하는 전처리된 강진 가속도 기록으로부터 스펙트로그램 입력을 생성한다.
• 대칭형 인코더–디코더 구조를 갖춘 네 가지 VAE 변형(Basic-VAE, Skip-VAE, Attention-VAE, Hybrid-VAE)을 학습한다.
• 재구성 및 유사도 점수로 MAE와 NCC를 사용하고, 슬라이딩 윈도우에서 ROC-AUC로 탐지를 평가한다.
• 잠재 차원(32–256)과 주의 모델의 경우 트랜스포머 깊이(1–48) 및 헤드 수를 그리드 검색하여 총 492 구성을 실험한다.
• 최적 AUC와 대응 MAE를 통해 아키텍처 간 비교를 수행하고 재구성-탐지 간의 트레이드를 드러낸다.

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

실험 결과

연구 질문

• RQ1 강진 모사 스펙트로그램에서 재구성 재현성 및 이상 탐지의 균형을 가장 잘 맞추는 아키텍처 편향(스킵 연결, 자체 주의)이 무엇인가?
• RQ2 근원지에서의 근접 거리에 따른 탐지 안정성과 성능에 대해 잠재 용량(32–256)과 Transformer 하이퍼파라미터가 어떤 영향을 미치는가?
• RQ3 대규모 라벨 데이터 없이도 주의 기반 VAE가 자기지도 P-wave 탐지에서 재구성 중심 변형을 능가할 수 있는가?
• RQ4 P-wave 시작에 비해 윈도우 정렬이 최적 아키텍처의 탐지 성능에 미치는 영향은 무엇인가?
• RQ5 원점에서 관측소까지의 거리 변화가 제안된 모델의 탐지 능력에 미치는 영향은 무엇인가?

주요 결과

• Attention-VAE가 아키텍처 중에서 탐지 AUC(0.8749)를 가장 높게 달성하였으나 재구성 오차(MAE 0.00428)가 더 큼.
• Skip-VAE는 재구성 오차(MAE 0.00119)가 가장 작았으나 탐지 성능은 낮아 AUC 0.8210.
• Hybrid-VAE는 AUC 0.8445와 MAE 0.00213의 균형을 제공.
• Basic-VAE는 전반적으로 가장 약한 성능을 보이며 AUC 0.8074, MAE 0.00461.
• 최적의 Attention-VAE는 근거리 원천(0–40 km)에서 AUC가 약 0.91에 달하여 즉시 EEW에 적합한 강력한 성능을 보이나 시간 정렬에 민감함(창이 P파 시작 1초 전에 시작될 때 피크 발생).
• 모형의 성능은 더 높은 전역 맥락일수록 탐지가 향상되는 반면 픽셀 단위의 재구성은 이상 탐지 구분을 약화시킬 수 있는 트레이드오프를 보인다.

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