🤖 machine learning

Learning Earthquake Wave Arrival Time Picking from Labels with Inaccuracies

Dieses Paper stellt LaNCoR vor, einen neuartigen Ansatz, der die Verteilungen von Eingangs-Wellenformen und Labels im Merkmalsraum aufeinander abstimmt, um die Auswirkungen ungenauer Labels auf das Picking von P-Phasen-Ankunftszeiten bei Erdbeben effektiv zu mildern und dabei eine Leistungssteigerung von bis zu 28,8 % ohne die Notwendigkeit groß angelegter Datensätze zu erreichen.

Ursprüngliche Autoren: Sen Li, Xu Yang, S. Mostafa Mousavi, Anye Cao, Keting Fan, Yaoqi Liu, Changbin Wang, Qiang Niu

Veröffentlicht 2026-06-16

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Sen Li, Xu Yang, S. Mostafa Mousavi, Anye Cao, Keting Fan, Yaoqi Liu, Changbin Wang, Qiang Niu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Lernen von einem verwirrten Lehrer

Stellen Sie sich vor, Sie versuchen zu lernen, ein bestimmtes Geräusch zu identifizieren, wie zum Beispiel das Zwitschern eines Vogels, indem Sie Aufnahmen anhören. Der Lehrer, der Ihnen die Antworten gibt (die „Labels“), ist jedoch oft müde, abgelenkt oder hat ein schlechtes Gehör. Manchmal zeigt er auf das Zwitschern, aber ein anderes Mal zeigt er auf ein Rascheln in den Blättern oder ein vorbeifahrendes Auto und behauptet: „Das ist der Vogel!“

In der Welt der Erdbeienforschung passiert genau das. Wissenschaftler nutzen Computer (Deep Learning), um den exakten Moment zu finden, in dem ein Erdbeben beginnt (die „P-Wellen-Ankunft“). Aber die „Lehrer“ sind menschliche Experten, die diese Startzeiten manuell in tausenden von Aufzeichnungen markieren. Menschen machen Fehler aufgrund von Müdigkeit, Voreingenommenheit oder Instrumentenfehlern. Diese Fehler werden als „Label Noise“ (Etikettenrauschen) bezeichnet.

Wenn man einen Computer darauf trainiert, von diesen verwirrten Lehrern zu lernen, wird der Computer die Fehler auswendig lernen. Er wird lernen, dass „Blattrascheln“ tatsächlich ein Erdbeben ist, was zu einer schlechten Leistung führt, wenn er später versucht, echte Erdbeben zu finden.

Die Lösung: LaNCoR (Der schlaue Detektiv)

Die Autoren dieser Arbeit haben eine neue Trainingsmethode namens LaNCoR (Label Noise-Contrastive Robust Learning) entwickelt. Stellen Sie sich LaNCoR nicht als einen Schüler vor, der einem Lehrer blind gehorcht, sondern als einen schlauen Detektiv, der die Beweise prüft, bevor er eine Antwort akzeptiert.

So funktioniert LaNCoR, unterteilt in drei einfache Schritte:

1. Die „Zwei-Ansichten“-Strategie

Stellen Sie sich vor, Sie betrachten einen Tatort. Sie haben zwei Beweisstücke:

Ansicht A: Die tatsächlichen physischen Beweise (die seismische Wellenform – die zackige Linie auf dem Bildschirm). Diese lügt nie; der Energieanstieg ist real.
Ansicht B: Die Zeugenaussage (das menschliche Label). Diese kann falsch sein.

Standardmäßige Trainingsmethoden vertrauen dem Zeugen blind. LaNCoR hingegen betrachtet beide Ansichten als wichtig, prüft aber, ob sie übereinstimmen. Es fragt: „Passt der physische Energieanstieg in der Welle tatsächlich mit dem Punkt zusammen, an dem der Mensch gesagt hat, dass das Erdbeben begann?“

2. Der „Error Learner“ (Der Korrekturmechanismus)

Dies ist die Geheimwaffe des Papers. LaNCoR besitzt ein spezielles Modul namens Error Learner.

Analogie: Stellen Sie sich einen Übersetzer vor, der bemerkt, dass der Zeuge stottert oder in die falsche Richtung zeigt. Der Übersetzer entlässt den Zeugen nicht; stattdin korrigiert er die Aussage des Zeugen sanft, damit sie zur physischen Realität der Szene passt.
Wie es funktioniert: Das Modell vergleicht die „zackige Linie“ (die Welle) mit dem „Marker“ (dem Label). Wenn der Marker weit entfernt vom eigentlichen Energieanstieg liegt, berechnet der Error Learner die „Verschiebung“ oder den Fehler. Er erstellt dann intern eine korrigierte Version des Labels. Es sagt im Grunde: „Der Mensch sagte 2:00 Uhr, aber die Welle zeigt deutlich, dass die Energie um 2:05 Uhr begann. Lassen Sie uns 2:05 Uhr für das Training verwenden.“

3. Das „Alignment“ (Die Abstimmung)

Sob sobald das Modell ein korrigiertes Label hat, nutzt es eine Technik namens Contrastive Learning.

Analogie: Stellen Sie sich vor, Sie versuchen, zwei verschiedene Karten derselben Stadt perfekt übereinanderzulegen. Eine Karte wurde von einem Einheimischen gezeichnet (die Wellenmerkmale), und die andere von einem Touristen (die Labels). Wenn die Karte des Touristen verzerrt ist, dehnen und drehen Sie sie so lange, bis sie perfekt mit der Karte des Einheimischen übereinstimmt.
Das Ergebnis: Das Modell erzwingt, dass die „Form“ des Labels mit der „Form“ der Welle übereinstimmt. Dies stellt sicher, dass der Computer die Physik des Erdbebens lernt, nicht die Fehler des Menschen.

Die Ergebnisse: Warum es wichtig ist

Die Forscher testeten diese Methode mit echten Daten aus Kohleminen in China. Sie fügten absichtlich zusätzliche „Geräusche“ (falsche Fehler) zu den Trainingsdaten hinzu, um zu sehen, ob das Modell versagen würde.

Die Baseline: Standardmodelle (und sogar solche, die nur „Data Augmentation“ nutzen, was so ist, als würde man dem Schüler mehr Übungstests geben) scheiterten kläglich, wenn die Fehler zu häufig auftraten. Sie begannen, die Fehler auswendig zu lernen.
LaNCORs Leistung: LaNCoR blieb ruhig und präzise. Selbst als die Trainingsdaten voller schlechter Labels waren, verbesserte es die Leistung im Vergleich zu anderen Methoden um bis zu 28,8 %.
Der „Cross-Region“-Test: Sie trainierten das Modell mit Daten aus einem Satz von Minen und testeten es auf einer völlig anderen Mine mit anderer Geologie. LaNCoR funktionierte immer noch besser als die anderen, was beweist, dass es das wahre Signal lernte und nicht nur die spezifischen Eigenheiten der Trainingsdaten.

Visueller Beweis

Das Paper enthält Bilder, die zeigen, dass, wenn ein menschliches Label weit daneben lag (auf Stille zeigte), LaNCoR den Menschen ignorierte und korrekt auf den tatsächlichen Energieanstieg in der Welle zeigte. Es gelang dem Modell erfolgreich, die schlechten Angewohnheiten der menschlichen Annotatoren zu „verlernen“.

Zusammenfassung

LaNCoR ist eine Trainingsmethode, die Computern beibringt, den Fehlern von Menschen gegenüber skeptisch zu sein. Anstatt einfach nur falschen Labels blind zu folgen, nutzt es die physische Realität der Erdbebenwelle, um die Labels während des Trainings zu korrigieren. Dies ermöglicht es dem Computer, die wahren Muster von Erdbeben zu lernen, selbst wenn die Daten, mit denen er trainiert wurde, unordentlich und voller Fehler sind.

Technische Zusammenfassung: Lernen der Ankunftszeit von Erdbebenwellen aus Labels mit Ungenauigkeiten

Problemstellung
Überwachte maschinelle Lernmodelle in der Seismologie, insbesondere für die Mikro-Seismik-Überwachung und die Phasenbestimmung (Phase Picking), sind hochgradig anfällig für „Label-Rauschen“ (Label Noise). Dieses Rauschen entsteht durch menschliche Subjektivität, Ermüdung der Analysten, Instrumenten-Zeitfehler oder systematische Verzerrungen durch automatisierte Bestimmungen. Wenn Modelle auf Datensätzen trainiert werden, die solche ungenauen Labels enthalten, lernen sie fehlerhafte Abbildungen zwischen seismischen Wellenformmerkmalen und Ankunftszeiten. Dies führt zu einer schlechten Generalisierung, reduzierter Genauigkeit auf Validierungsdaten und einer Tendenz zum Overfitting, indem das Modell versucht, falsche Beispiele auswendig zu lernen, anstatt die zugrunde liegende physikalische Signalverteilung zu erfassen. Während traditionelle Regularisierungstechniken wie die Datenaugmentation existieren, reichen diese oft nicht aus, um die negativen Auswirkungen signifikanten Label-Rauschens zu mildern, insbesondere wenn qualitativ hochwertige, groß angelegte Trainingsdatensätze schwer verfügbar oder kostspielig in der Erstellung sind.

Methodik: Label Noise-Contrastive Robust Learning (LaNCoR)
Die Autoren schlagen LaNCoR (Label Noise-Contrastive Robust Learning) vor, ein Framework, das darauf ausgelegt ist, mit verrauschten Labels in der seismischen Signalverarbeitung umzugehen, ohne massive, perfekt gelabelte Datensätze zu benötigen. Die Kernphilosophie von LaNCoR besteht darin, die Eingangs-Wellenform und das bereitgestellte Label als zwei verschiedene „Ansichten“ desselben physikalischen Ereignisses zu behandeln. Anstatt dem verrauschten Label blind zu vertrauen, erzwingt das Modell eine statistische Konsistenz zwischen den stabilen physikalischen Merkmalen der Wellenform und der Repräsentation des Ziel-Labels.

Die LaNCoR-Architektur operiert durch die folgenden Schlüsselmechanismen:

Dual-Space Alignment (Ausrichtung in dualen Räumen): Das Modell bildet die Eingangs-Seismogramme und die dazugehörigen verrauschten Labels in separate latente Räume ab. Es richtet dann die Verteilung der Merkmalsrepräsentation an der Verteilung der Label-Repräsentation aus. Das Ziel ist es, den durch Label-Fehler verursachten „Verteilungsshift“ zu korrigieren, indem die Label-Repräsentation gezwungen wird, sich an den robusten physikalischen Merkmalen der Wellenform auszurichten.
Error Learner (EL): Eine kritische Komponente ist der Error Learner, der einen Multi-Head-Self-Attention-Mechanismus nutzt. Er vergleicht die Wellenform-Merkmalsrepräsentation ( $\mathcal{Z}_x$ ) mit der verrauschten Label-Repräsentation ( $\mathcal{Z}_y$ ), um den durch das Rauschen verursachten „Shift“ oder Fehler ( $\delta$ ) zu schätzen. Der EL erzeugt eine korrigierte Label-Repräsentation ( $\mathcal{Z}'_y$ ), die mathematisch näher am Ground Truth liegt. Entscheidend ist, dass der Gradientenfluss vom Error Learner zurück zum Feature-Encoder unterbrochen (abgetrennt) wird, um zu verhindern, dass der verrauschte Label-Raum den Kernprozess des Merkmalslernens korrumpiert.
Reparameterisierung: Um zu verhindern, dass das Modell auf spezifische verrauschte Werte überoptimiert (Überkonfidenz), verwendet LaNCoR einen Reparameterisierungstrick. Anstatt Eingaben auf feste Punkte abzubilden, behandelt es Merkmals- und Label-Repräsentationen als Wahrscheinlichkeitsverteilungen (Gaußsche Wolken), die durch einen Mittelwert ( $\mu$ ) und eine Varianz ( $\sigma$ ) definiert sind. Dies führt eine kontrollierte Unsicherheit ein und glättet die Lernlandschaft.
Random Fourier Features (RFF): Um komplexe, nicht-lineare Beziehungen zu erfassen, die ein einzelner niedrigdimensionaler Raum möglicherweise übersehen würde, projiziert das Modell die Repräsentationen in einen hochdimensionalen Raum mittels Random Fourier Features. Dies approximiert einen Gaußschen Kernel und stellt sicher, dass die feingliedrigen strukturellen Details zwischen Wellenformen und Labels aufeinander abgestimmt sind.
Kontrastives Lernen: Das Framework nutzt kontrastives Lernen, um die Ausrichtung über die beiden Modalitäten (Wellenform und Label) hinweg zu erzwingen. Es konstruiert Ähnlichkeitsmatrizen sowohl für den Merkmalsraum als auch für den korrigierten Label-Raum. Die Verlustfunktion minimiert die Differenz zwischen diesen Ähnlichkeitsmatrizen und stellt sicher, dass, wenn zwei Wellenformen ähnlich sind, ihre entsprechenden Labels (selbst wenn sie ursprünglich verrauscht waren) angepasst werden, um diese Ähnlichkeit widerzuspiegeln.

Das gesamte Optimierungsziel kombiniert Rekonstruktionsverluste, KL-Divergenz für die Verteilungsanpassung und kontrastive Verluste, die durch Gewichtungsfaktoren ( $\lambda$ ) balanciert werden.

Wesentliche Beiträge

Neuartiges Framework: Einführung von LaNCoR, das robuste Lernstrategien speziell für die seismische Phasenbestimmung unter kleinen Trainingsregimen mit verrauschten Labels integriert.
Mechanismus zur Fehlerkorrektur: Entwicklung des Error-Learner-Moduls, das die Verschiebungen der Label-Verteilung explizit schätzt und korrigiert, indem es die Konsistenz zwischen Wellenformmerkmalen und Labels nutzt.
Verteilungsanpassung: Eine mehrstufige Strategie zur Ausrichtung, die latente Raumkonsistenz, Reparameterisierung (Variationsinferenz) und Random Fourier Features kombiniert, um robust mit nicht-gaußschen und systematischen Label-Fehlern umzugehen.
Empirische Validierung: Demonstration der Wirksamkeit der Methode anhand realer mikro-seismischer Daten aus mehreren Kohleminen in China, einschließlich Tests zur regionalen Generalisierung.

Ergebnisse
Die Autoren evaluierten LaNCoR mit zwei Baseline-Modellen, SeisT und PhaseNet, unter Verwendung von Datensätzen aus drei chinesischen Kohleminen (Chaoyang, Mengcun, Xingcun) sowie einem regional übergreifenden Testset aus der Yingpanhao-Mine.

Leistungssteigerungen: LaN ich übertraf die Baseline-Methoden (überwachtes Lernen mit/ohne Datenaugmentation) bei verschiedenen Rauschpegeln signifikant. Für SeisT lagen die durchschnittlichen F1-Score-Verbesserungen zwischen 5,7 % und 16,3 %, wobei maximale Verbesserungen von 28,8 % erreicht wurden. Für PhaseNet waren die durchschnittlichen F1-Score-Verbesserungen sogar noch höher und erreichten in spezifischen Szenarien mit hohem Rauschen bis zu 54,7 %.
Robustheit gegenüber Rauschen: Während Standard-Datenaugmentationsmethoden mit zunehmendem Rauschen (speziell wenn das Rauschen $\sigma_E > 150$ ms betrug) einen Leistungsabfall zeigten, behielt LaNCoR stabile Leistungskurven bei. Es ignorierte offensichtlich falsche Trainingslabels effektiv und priorisierte den physikalischen Signalbeginn.
Regionale Generalisierung: Bei der Anwendung auf den ungesehenen Yingpanhao-Datensatz (der einen gemessenen Feature-Verteilungsshift und höhere SNR-Bereiche aufwies) übertraf LaNCoR konsistent andere Methoden und demonstrierte eine überlegene Anpassungsfähigkeit an neue geografische Regionen und variierende Signalbedingungen.
Qualitative Analyse: Visuelle Inspektionen der Ergebnisse bestätigten, dass LaNCoR Ankunftszeiten in Samples mit niedrigem SNR wiederherstellen und fehlende Phasen identifizieren kann, die menschliche Analysten übersehen hatten. In Fällen mit absichtlich falschen Labels sagte das Modell erfolgreich die wahre physikalische Ankunftszeit voraus, anstatt die fehlerhafte Annotation zu übernehmen.

Bedeutung und Behauptungen
Das Paper behauptet, dass LaNCoR eine vielversprechende Richtung zur Verbesserung der Robustheit von Deep-Learning-Modellen in der Seismologie und den Geowissenschaften darstellt. Durch die Adressierung der kritischen Herausforderung des Label-Rauschens ohne den Bedarf an arbeitsintensiver Datenbereinigung oder massiven Datensätzen ermöglicht der Ansatz das Training von Hochleistungsmodellen selbst bei unvollkommener Überwachung. Die Autoren betonen, dass die Fähigkeit der Methode, das Lernen physikalischer Merkmale von verrauschter Überwachung zu entkoppeln, ein stabiles Training und eine zuverlässige Generalisierung ermöglicht, was für Anwendungen wie die Überwachung induzierter Seismizität, die Charakterisierung von Reservoirs und die Gefahrenabschätzung essenziell ist. Die Studie kommt zu dem Schluss, dass LaNCoR die Auswirkungen von Label-Rauschen durch Merkmalsausrichtung effektiv mildert, was es zu einem vielseitigen Werkzeug für seismische Signalverarbeitungsaufgaben macht, die über die bloße Phasenbestimmung hinausgehen.