🤖 machine learning

Learning Earthquake Wave Arrival Time Picking from Labels with Inaccuracies

Este artículo presenta LaNCoR, un enfoque novedoso que alinea las distribuciones de la forma de onda de entrada y de las etiquetas en el espacio de características para mitigar eficazmente el impacto de las etiquetas inexactas en la detección de tiempos de llegada de la fase P sísmica, logrando una mejora del rendimiento de hasta un 28.8% sin requerir conjuntos de datos a gran escala.

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

Publicado 2026-06-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

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

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Gran Problema: Aprender de un Maestro Confundido

Imagina que estás intentando aprender a identificar un sonido específico, como el canto de un pájaro, escuchando grabaciones. Sin embargo, el maestro que te da las respuestas (las "etiquetas") suele estar cansado, distraído o tiene mala audición. A veces señala el canto, pero otras veces señala el crujido de una hoja o el paso de un coche, afirmando: "¡Eso es el pájaro!".

En el mundo de la ciencia sísmica, esto es exactamente lo que sucede. Los científicos utilizan computadoras (Aprendizaje Profundo o Deep Learning) para encontrar el momento exacto en que comienza un terremoto (la "llegada de la onda P"). Pero los "maestros" son expertos humanos que marcan manualmente estos tiempos de inicio en miles de grabaciones. Los humanos cometen errores debido a la fatiga, el sesgo o fallos en los instrumentos. Estos errores se llaman "ruido de etiqueta" (label noise).

Si entrenas a una computadora para que aprenda de estos maestros confundidos, la computadora memorizará los errores. Aprenderá que el "crujido de una hoja" es en realidad un terremoto, lo que provocará un rendimiento deficiente cuando intente encontrar terremotos reales más adelante.

La Solución: LaNCoR (El Detective Inteligente)

Los autores de este artículo crearon un nuevo método de entrenamiento llamado LaNCoR (Label Noise-Contrastive Robust Learning). Piensa en LaNCoR no como un estudiante que obedece ciegamente al maestro, sino como un detective inteligente que verifica la evidencia antes de aceptar una respuesta.

Así es como funciona LaNCoR, dividido en tres sencillos pasos:

1. La Estrategia de las "Dos Vistas"

Imagina que estás observando la escena de un crimen. Tienes dos piezas de evidencia:

Vista A: La evidencia física real (la forma de onda sísmica — la línea ondulada en la pantalla). Esta nunca miente; el pico de energía es real.
Vista B: La declaración del testigo (la etiqueta humana). Esta puede ser errónea.

Los métodos de entrenamiento estándar confían ciegamente en el testigo. LaNCoR, sin embargo, trata ambas vistas como importantes, pero verifica si coinciden. Se pregunta: "¿El pico de energía física en la onda realmente coincide con el lugar donde el humano dijo que comenzó el terremoto?"

2. El "Aprendiz de Errores" (El Mecanismo de Corrección)

Este es el arma secreta del artículo. LaNCoR tiene un módulo especial llamado Aprendiz de Errores (Error Learner).

Analogía: Imagina a un traductor que nota que el testigo está tartamudeando o señalando en la dirección equivocada. El traductor no despide al testigo; en su lugar, corrige suavemente la declaración del testigo para que coincida con la realidad física de la escena.
Cómo funciona: El modelo compara la "línea ondulada" (la onda) con la "marca" (la etiqueta). Si la marca está muy lejos del pico de energía real, el Aprendiz de Errores calcula el "desplazamiento" o el error. Luego, crea una versión corregida de la etiqueta internamente. Esencialmente dice: "El humano dijo a las 2:00, pero la onda muestra claramente que la energía comenzó a las 2:05. Usemos las 2:05 para el entrenamiento".

3. La "Alineación" (Forzar el Acuerdo)

Una vez que el modelo tiene una etiqueta corregida, utiliza una técnica llamada Aprendizaje Contrastivo (Contrastive Learning).

Analogía: Imagina que estás intentando que dos mapas diferentes de la misma ciudad se superpongan perfectamente. Un mapa es dibujado por un lugareño (las características de la onda) y el otro por un turista (las etiquetas). Si el mapa del turista está sesgado, lo estiras y rotas hasta que coincida perfectamente con el mapa del lugareño.
El Resultado: El modelo fuerza la "forma" de la etiqueta para que se alinee con la "forma" de la onda. Esto asegura que la computadora aprenda la física del terremoto, no los errores del humano.

Los Resultados: Por qué Importa

Los investigadores probaron este método con datos reales de minas de carbón en China. Añadieron intencionalmente "ruido" adicional (errores falsos) a los datos de entrenamiento para ver si el modelo fallaba.

La Línea Base: Los modelos estándar (e incluso aquellos que solo usaban "aumento de datos", que es como darle al estudiante más exámenes de práctica) fallaron estrepitosamente cuando los errores eran demasiado frecuentes. Empezaron a memorizar los errores.
El Rendimiento de LaNCoR: LaNCoR se mantuvo calmado y preciso. Incluso cuando los datos de entrenamiento estaban llenos de malas etiquetas, mejoró el rendimiento hasta en un 28.8% en comparación con otros métodos.
La Prueba de "Cruzamiento de Regiones": Entrenaron el modelo con datos de un conjunto de minas y lo probaron en una mina completamente diferente con una geología distinta. LaNCoR siguió funcionando mejor que los demás, demostrando que aprendió la señal real, no solo las peculiaridades específicas de los datos de entrenamiento.

Prueba Visual

El artículo incluye imágenes que muestran que, cuando una etiqueta humana estaba muy desviada (señalando al silencio), LaNCoR la ignoró y señaló correctamente el pico de energía real en la onda. Logró "desaprender" los malos hábitos de los anotadores humanos.

Resumen

LaNCoR es un método de entrenamiento que enseña a las computadoras a ser escépticas ante los errores humanos. En lugar de copiar ciegamente las etiquetas incorrectas, utiliza la realidad física de la onda sísmica para corregir las etiquetas durante el entrenamiento. Esto permite que la computadora aprenda los patrones reales de los terremotos, incluso cuando los datos con los que fue entrenada son desordenados y están llenos de errores.

Resumen Técnico: Aprendizaje de la detección del tiempo de llegada de ondas sísmicas a partir de etiquetas con imprecisiones

Planteamiento del problema
Los modelos de aprendizaje automático supervisado en sismología, particularmente para el monitoreo microsísmico y la detección de fases (phase picking), son altamente susceptibles al "ruido de etiquetas". Este ruido surge de la subjetividad humana, la fatiga del analista, errores de temporización de los instrumentos o sesgos sistemáticos en la detección automatizada. Cuando los modelos se entrenan con conjuntos de datos que contienen estas etiquetas inexactas, aprenden mapeos erróneos entre las características de la forma de onda sísmica y los tiempos de llegada. Esto conduce a una generalización deficiente, una reducción de la precisión en los datos de validación y una tendencia al sobreajuste (overfitting) al memorizar ejemplos incorrectos en lugar de capturar la distribución física subyacente de la señal. Aunque las técnicas de regularización tradicionales como el aumento de datos existen, a menudo son insuficientes para mitigar los efectos adversos de un ruido de etiquetas significativo, especialmente cuando no se dispone de conjuntos de datos de alta calidad y gran escala o cuando su producción resulta costosa.

Metodología: Aprendizaje Robusto de Contraste de Ruido de Etiquetas (LaNCoR)
Los autores proponen LaNCoR (Label Noise-Contrastive Robust Learning), un marco diseñado para manejar el ruido de etiquetas en el procesamiento de señales sísmicas sin requerir conjuntos de datos masivos y perfectamente etiquetados. La filosofía central de LaNCoR es tratar la forma de onda de entrada y la etiqueta proporcionada como dos "vistas" diferentes de un mismo evento físico. En lugar de confiar ciegamente en la etiqueta ruidosa, el modelo impone la consistencia estadística entre las características físicas estables de la forma de onda y la representación de la etiqueta objetivo.

La arquitectura de LaNCoR opera a través de los siguientes mecanismos clave:

Alineación de Espacio Dual: El modelo mapea las sismogramas de entrada y sus etiquetas ruidosas asociadas en espacios latentes separados. Luego, alinea la distribución de la representación de características con la distribución de la representación de la etiqueta. El objetivo es corregir el "desplazamiento de distribución" causado por los errores de etiqueta, forzando a la representación de la etiqueta a alinearse con las características físicas robustas de la forma de onda.
Aprendiz de Error (Error Learner - EL): Un componente crítico es el Aprendiz de Error, que utiliza un mecanismo de autoatención de múltiples cabezales. Este compara la representación de características de la forma de onda ( $\mathcal{Z}_x$ ) contra la representación de la etiqueta ruidosa ( $\mathcal{Z}_y$ ) para estimar el "desplazamiento" o error ( $\delta$ ) introducido por el ruido. El EL produce una representación de etiqueta corregida ( $\mathcal{Z}'_y$ ) que es matemáticamente más cercana a la verdad de campo (ground truth). Crucialmente, el flujo de gradiente desde el Aprendiz de Error hacia el codificador de características se trunca (desconecta/detaches) para evitar que el espacio de la etiqueta ruidosa corrompa el proceso de aprendizaje de características centrales.
Reparametrización: Para evitar que el modelo se sobreajuste a valores ruidosos específicos (exceso de confianza), LaNCoR emplea un truco de reparametrización. En lugar de mapear las entradas a puntos fijos, trata las representaciones de características y etiquetas como distribuciones de probabilidad (nubes gaussianas) definidas por una media ( $\mu$ ) y una varianza ( $\sigma$ ). Esto introduce una incertidumbre controlada, suavizando el paisaje de aprendizaje.
Características de Fourier Aleatorias (Random Fourier Features - RFF): Para capturar relaciones complejas y no lineales que un único espacio de baja dimensión podría omitir, el modelo proyecta las representaciones en un espacio de alta dimensión utilizando Características de Fourier Aleatorias. Esto aproxima un núcleo gaussiano, asegurando la alineación de los detalles estructurales finos entre las formas de onda y las etiquetas.
Aprendizaje Contrastivo: El marco utiliza el aprendizaje contrastivo para imponer la alineación a través de las dos modalidades (forma de onda y etiqueta). Construye matrices de similitud tanto para el espacio de características como para el espacio de etiquetas corregidas. La función de pérdida minimiza la diferencia entre estas matrices de similitud, asegurando que si dos formas de onda son similares, sus etiquetas correspondientes (incluso si originalmente eran ruidosas) se ajusten para reflejar esa similitud.

El objetivo de optimización total combina pérdidas de reconstrucción, divergencia KL para la alineación de distribuciones y pérdidas contrastivas, ponderadas por coeficientes de equilibrio ( $\lambda$ ).

Contribuciones Clave

Marco Novedoso: Introducción de LaNCoR, que integra estrategias de aprendizaje robusto específicamente adaptadas para la detección de fases sísmicas bajo regímenes de entrenamiento de pequeña escala con etiquetas ruidosas.
Mecanismo de Corrección de Ruido: Desarrollo del módulo Aprendiz de Error que estima y corrige explícitamente los desplazos de la distribución de etiquetas aprovechando la consistencia entre las características de la forma de onda y las etiquetas.
Alineación Distribuida: Una estrategia de alineación de múltiples etapas que combina la consistencia del espacio latente, la reparametrización (inferencia variacional) y las Características de Fourier Aleatorias para manejar de manera robusta errores de etiqueta no gaussianos y sistemáticos.
Validación Empírica: Demostración de la eficacia del método utilizando datos microsísmicos reales de múltiples minas de carbón en China, incluyendo pruebas de generalización transregional.

Resultados
Los autores evaluaron LaNCoR utilizando dos modelos de referencia (baselines), SeisT y PhaseNet, en conjuntos de datos de tres minas de carbón chinas (Chaoyang, Mengcun, Xingcun) y un conjunto de prueba transregional de la mina Yingpanhao.

Ganancias de Rendimiento: LaNCoR superó significativamente a los métodos de referencia (aprendizaje supervisado con y sin aumento de datos) en varios niveles de ruido. Para SeisT, las mejoras promedio en la puntuación F1 oscilaron entre un 5.7% y un 16.3% sobre los modelos de referencia, con mejoras máximas que alcanzaron el 28.8%. Para PhaseNet, las mejoras promedio en la puntuación F1 fueron aún mayores, alcanzando hasta un 54.7% en escenarios específicos de alto ruido.
Robustez al Ruido: Mientras que los métodos estándar de aumento de datos mostraron un colapso en el rendimiento a medida que aumentaban los niveles de ruido (específicamente cuando el ruido $\sigma_E > 150$ ms), LaNCoR mantuvo curvas de rendimiento estables. El modelo ignoró eficazmente las etiquetas de entrenamiento groseramente incorrectas y priorizó el inicio de la señal física.
Generalización Transregional: Al aplicarse al conjunto de datos no visto de Yingpanhao (que exhibió un desplazamiento en la distribución de características medido y rangos de SNR más altos), LaNCoR superó consistentemente a otros métodos, demostrando una capacidad de adaptación superior a nuevas regiones geográficas y condiciones de señal variables.
Análisis Cualitativo: La inspección visual de los resultados confirmó que LaNCoR puede recuperar tiempos de llegada en muestras de baja SNR e identificar fases faltantes que los analistas humanos habían pasado por alto. En casos de etiquetas intencionalmente incorrectas, el modelo predijo con éxito el verdadero tiempo de llegada físico en lugar de la anotación errónea.

Significancia y Reivindicaciones
El artículo afirma que LaNCoR ofrece una dirección prometedora para mejorar la robustez de los modelos de aprendizaje profundo en sismología y geociencias. Al abordar el desafío crítico del ruido de etiquetas sin depender de una limpieza de datos laboriosa o de conjuntos de datos masivos, el enfoque permite el entrenamiento de modelos de alto rendimiento incluso con supervisión imperfecta. Los autores enfatizan que la capacidad del método para desacoplar el aprendizaje de características físicas de la supervisión ruidosa permite un entrenamiento estable y una generalización confiable, lo cual es esencial para aplicaciones como el monitoreo de la sismicidad inducida, la caracterización de reservorios y la evaluación de riesgos. El estudio concluye que LaNCoR mitiga eficazmente el impacto del ruido de etiquetas mediante la alineación de características, convirtiéndolo en una herramienta versátil para tareas de procesamiento de señales sísmicas más allá de la simple detección de fases.