🤖 machine learning

Learning Earthquake Wave Arrival Time Picking from Labels with Inaccuracies

Dit artikel introduceert LaNCoR, een nieuwe aanpak die de distributies van inputgolfvormen en labels in de featureruimte uitlijnt om de impact van onnauwkeurige labels op het detecteren van aankomsttijden van seismische P-golven effectief te verminderen, waarbij een prestatieverbetering tot 28,8% wordt bereikt zonder dat daarvoor grootschalige datasets nodig zijn.

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

Gepubliceerd 2026-06-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: Leren van een Verwarde Leraar

Stel je voor dat je probeert te leren hoe je een specifiek geluid moet herkennen, zoals het gekwetter van een vogel, door naar opnames te luisteren. Echter, de leraar die je de antwoorden geeft (de "labels") is vaak moe, afgeleid of heeft een slecht gehoor. Soms wijst de leraar naar het gekwetter, maar op andere momenten wijst hij naar het ritselen van een blad of een passerende auto en beweert: "Dat is de vogel!"

In de wereld van de aardwetenschap gebeurt dit precies. Wetenschappers gebruiken computers (Deep Learning) om het exacte moment te vinden waarop een aardbeving begint (de "P-golf aankomst"). Maar de "leraren" zijn menselijke experts die handmatig deze starttijden markeren op duizenden opnames. Mensen maken fouten door vermoeidheid, vooroordelen of instrumentele storingen. Deze fouten worden "label noise" (labelruis) genoemd.

Als je een computer traint om te leren van deze verwarde leraren, zal de computer de fouten uit het hoofd leren. De computer zal leren dat "het ritselen van een blad" eigenlijk een aardbeving is, wat leidt tot slechte prestaties wanneer de computer later echte aardbevingen probeert te vinden.

De Oplossing: LaNCoR (De Slimme Detective)

De auteurs van dit artikel hebben een nieuwe trainingsmethode ontwikkeld genaamd LaNCoR (Label Noise-Contrastive Robust Learning). Zie LaNCoR niet als een student die blindelings de leraar volgt, maar als een slimme detective die het bewijsmateriaal controleert voordat hij een antwoord accepteert.

Zo werkt LaNCoR, opgedeeld in drie eenvoudige stappen:

1. De "Twee Blikken" Strategie

Stel je voor dat je naar een plaats delict kijkt. Je hebt twee stukken bewijsmateriaal:

Blik A: Het werkelijke fysieke bewijs (de seismische golfvorm — de golvende lijn op het scherm). Dit liegt nooit; de energiepiek is echt.
Blik B: De getuigenverklaring (het menselijke label). Dit kan fout zijn.

Standaard trainingsmethoden vertrouwen blindelings op de getuige. LaNCoR beschouwt beide blikken echter als belangrijk, maar controleert of ze overeenstemmen. Het vraagt: "Komt de fysieke energiepiek in de golf daadwerkelijk overeen met waar de mens zei dat de aardbeving begon?"

2. De "Error Learner" (Het Correctiemechanisme)

Dit is het geheime wapen van het artikel. LaNCoR heeft een speciale module genaamd de Error Learner.

Analogie: Stel je een vertaler voor die merkt dat de getuige stampt of in de verkeerde richting wijst. De vertaler ontslaat de getuige niet; in plaats daarvan stuurt de vertaler de verklaring van de getuige voorzichtig bij om aan te sluiten bij de fysieke realiteit van de scène.
Hoe het werkt: Het model vergelijkt de "golvende lijn" (de golf) met de "markering" (het label). Als de markering ver verwijderd is van de werkelijke energiepiek, berekent de Error Learner de "verschuiving" of de fout. Het creëert vervolgens intern een gecorrigeerde versie van het label. Het zegt in feften: "De mens zei 2:00, maar de golf laat duidelijk zien dat de energie om 2:05 begon. Laten we 2:05 gebruiken voor de training."

3. De "Alignment" (Dwingen tot Overeenstemming)

Zodra het model een gecorrigeerd label heeft, gebruikt het een techniek genaamd Contrastive Learning.

Analogie: Stel je voor dat je probeert twee verschillende kaarten van dezelfde stad perfect over elkaar heen te leggen. De ene kaart is getekend door een lokale bewoner (de golfkenmerken), en de andere door een toerist (de labels). Als de kaart van de toerist scheef is, rek en draai je deze totdat deze perfect overeenkomt met de kaart van de lokale bewoner.
Het Resultaat: Het model dwingt de "vorm" van het label om samen te vallen met de "vorm" van de golf. Dit zorgt ervoor dat de computer de fysica van de aardbeving leert, en niet de fouten van de mens.

De Resultaten: Waarom het ertoe doet

De onderzoekers testten deze methode op echte gegevens uit kolenmijnen in China. Ze voegden opzettelijk extra "ruis" (nepfouten) toe aan de trainingsgegevens om te zien of het model zou bezwijken.

De Baseline: Standaardmodellen (en zelfs modellen die alleen "data augmentation" gebruiken, wat is als het geven van extra oefentoetsen aan een student) faalden hopeloos wanneer de fouten te frequent werden. Ze begonnen de fouten te memoriseren.
Prestaties van LaNCoR: LaNCoR bleef kalm en accuraat. Zelfs toen de trainingsdata vol zat met slechte labels, verbeterde het de prestaties met wel 28,8% vergeleken met andere methoden.
De "Cross-Region" Test: Ze trainden het model op gegevens van één set mijnen en testten het op een volledig andere mijn met een andere geologie. LaNCoR werkte nog steeds beter dan de anderen, wat bewees dat het het echte signaal leerde, en niet alleen de specifieke eigenaardigheden van de trainingsdata.

Visueel Bewijs

Het artikel bevat afbeeldingen die laten zien dat wanneer een menselijk label ver uit elkaar lag (bijvoorbeeld bij stilte), LaNCoR de mens negeerde en correct naar de werkelijke energiepiek in de golf wees. Het slaagde erin om de slechte gewoonten van de menselijke annotatoren te "ontleren".

Samenvatting

LaNCoR is een trainingsmethode die computers leert om sceptisch te zijn tegenover menselijke fouten. In plaats van onjuiste labels blindelings te kopiëren, gebruikt het de fysieke realiteit van de aardbevinggolf om de labels tijdens de training te corrigeren. Hierdoor kan de computer de ware patronen van aardbevingen leren, zelfs wanneer de gegevens waarop het getraind is rommelig en vol fouten zijn.

Technische Samenvatting: Leren van aankomsttijden van seismische golven uit labels met onnauwkeurigheden

Probleemstelling
Supervised machine learning-modellen in de seismologie, met name voor microseismische monitoring en fase-detectie (phase picking), zijn zeer gevoelig voor "labelruis". Deze ruis ontstaat door menselijke subjectiviteit, vermoeidheid van analisten, instrumentele timingfouten of systematische biases in automatische detectie. Wanneer modellen worden getraind op datasets die dergelijke onnauwkeurige labels bevatten, leren ze foutieve koppelingen tussen seismische golfvormkenmerken en aankomsttijden. Dit leidt tot een slechte generalisatie, verminderde nauwkeurigheid op validatiedata en een neiging tot overfitting door het memoriseren van onjuiste voorbeelden in plaats van het vastleggen van de onderliggende fysieke signaalverdeling. Hoewel traditionele regularisatietechnieken zoals data-augmentatie bestaan, zijn deze vaak onvoldoende om de nadelige effecten van aanzienlijke labelruis te mitigeren, vooral wanneer kwalitatief hoogwaardige, grootschalige trainingsdatasets niet beschikbaar of kostbaar om te produceren zijn.

Methodologie: Label Noise-Contrastive Robust Learning (LaNCoR)
De auteurs stellen LaNCoR (Label Noise-Contrastive Robust Learning) voor, een framework dat is ontworpen om met ruisige labels om te gaan in seismische signaalverwerking zonder dat daarvoor massale, perfect gelabelde datasets nodig zijn. De kernfilosofie van LaNCoR is om de invoergolfvorm en het bijbehorende label te behandelen als twee verschillende "weergaven" (views) van dezelfde fysieke gebeurtenis. In plaats van blindelings op het ruisige label te vertrouwen, dwingt het model statistische consistentie af tussen de stabiele fysieke kenmerken van de golfvorm en de representatie van het doel-label.

De LaNCoR-architectuur werkt via de volgende kernmechanismen:

Dual-Space Alignment: Het model brengt invoerseismogrammen en hun bijbehorende ruisige labels in kaart naar afzonderlijke latente ruimtes. Vervolgens stemt het de distributie van de feature-representatie af op de distributie van de label-representatie. Het doel is om de "distributieverschuiving" veroorzaakt door labelfouten te corrigeren, waarbij de label-representatie wordt gedwongen om uit te lijnen met de robuuste fysieke kenmerken van de golfvorm.
Error Learner (EL): Een cruciaal onderdeel is de Error Learner, die gebruikmaakt van een multi-head self-attention mechanisme. Deze vergelijkt de waveform feature-representatie ( $\mathcal{Z}_x$ ) met de ruisige label-representatie ( $\mathcal{Z}_y$ ) om de "verschuiving" of fout ( $\delta$ ) te schatten die door de ruis is geïntroduceerd. De EL produceert een gecorrigeerde label-representatie ( $\mathcal{Z}'_y$ ) die wiskundig gezien dichter bij de grondwaarheid ligt. Cruciaal is dat de gradiëntstroom van de Error Learner terug naar de feature encoder wordt afgebroken (detached) om te voorkomen dat de ruisige labelruimte het kernproces van het leren van features corrumpeert.
Reparameterisatie: Om te voorkomen dat het model overfit op specifieke ruisige waarden (overconfidence), gebruikt LaNCoR een reparameterisatie-truc. In plaats van inputs te mappen naar vaste punten, behandelt het feature- en label-representaties als waarschijnlijkheidsdistributies (Gaussische wolken) gedefinieerd door een gemiddelde ( $\mu$ ) en variantie ( $\sigma$ ). Dit introduceert gecontroleerde onzekerheid en vlakt het leerlandschap af.
Random Fourier Features (RFF): Om complexe, niet-lineaire relaties te vangen die een enkele laag-dimensionale ruimte mogelijk mist, projecteert het model representaties naar een hoog-dimensionale ruimte met behulp van Random Fourier Features. Dit benadert een Gaussische kernel, wat zorgt voor de afstemming van fijnmazige structurele details tussen golfvormen en labels.
Contrastive Learning: Het framework maakt gebruik van contrastief leren om afstemming tussen de twee modaliteiten (golfvorm en label) af te dwingen. Het construeert gelijkenis-matrices voor zowel de feature-ruimte als de gecorrigeerde label-ruimte. De verliesfunctie minimaliseert het verschil tussen deze gelijkenis-matrices, waardoor wordt gewaarborgd dat als twee golfvormen vergelijkbaar zijn, hun bijbehorende labels (zelfs als deze oorspronkelijk ruisig waren) worden aangepast om die gelijkenis te weerspiegelen.

Het totale optimalisatie-object combineert reconstructieverliezen, KL-divergentie voor distributie-afstemming en contrastieve verliezen, gewogen door balancerende coëfficiënten ( $\lambda$ ).

Belangrijkste Bijdragen

Nieuw Framework: Introductie van LaNCoR, dat robuuste leerstrategieën integreert die specifiek zijn afgestemd op seismische fase-detectie onder kleinschalige trainingsregimes met ruisige labels.
Mechanisme voor Ruiscorrectie: Ontwikkeling van de Error Learner-module die expliciet de verschuivingen in de labeldistributie schat en corrigeert door gebruik te maken van de consistentie tussen waveform features en labels.
Distributie-afstemming: Een meerfasige afstemmingsstrategie die latentie-ruimte consistentie, reparameterisatie (variational inference) en Random Fourier Features combineert om robuust om te gaan met niet-Gaussische en systematische labelfouten.
Empirische Validatie: Demonstratie van de effectiviteit van de methode op echte microseismische data uit meerdere kolenmijnen in China, inclusclusief tests voor cross-regio generalisatie.

Resultaten
De auteurs hebben LaNCoR geëvalueerd met behulp van twee baseline-modellen, SeisT en PhaseNet, op datasets van drie Chinese kolenmijnen (Chaoyang, Mengcun, Xingcun) en een cross-regio testset van de Yingpanhao-mijn.

Prestatiewinst: LaNCoR presteerde aanzienlijk beter dan de baseline-methoden (supervised learning met en zonder data-augmentatie) over verschillende ruisniveaus. Voor SeisT varieerden de gemiddelde verbeteringen in F1-score tussen de 5,7% en 16,3% ten opzichte van de baselines, met maximale verbeteringen tot 28,8%. Voor PhaseNet waren de gemiddelde verbeteringen in F1-score nog hoger, oplopend tot 54,7% in specifieke scenario's met hoge ruis.
Robuustheid tegen Ruis: Terwijl standaard data-augmentatiemethoden een prestatie-instorting vertoonden naarmate de ruisniveaus toenamen (specifiek wanneer de ruis $\sigma_E > 150$ ms), behield LaNCoR stabiele prestatiecurven. Het negeerde effectief grove, onjuiste training-labels en gaf prioriteit aan de fysieke signaalontvangst.
Cross-Regio Generalisatie: Bij toepassing op de ongeziene Yingpanhao-dataset (die een gemeten verschuiving in de feature-distributie en hogere SNR-bereiken vertoonde), presteerde LaNCoR consequent beter dan andere methoden, wat een superieure adaptiviteit aan nieuwe geografische regio's en variërende signaalcondities aantoont.
Kwalitatieve Analyse: Visuele inspectie van de resultaten bevestigde dat LaNCoR aankomsttijden kan herstellen in lage-SNR monsters en ontbrekende fasen kan identificeren die menselijke analisten over het hoofd hadden gezien. In gevallen van opzettelijk onjuiste labels voorspelde het model succesvol de ware fysieke aankomsttijd in plaats van de foutieve annotatie.

Betekenis en Claims
Het artikel claimt dat LaNCoR een veelbelovende richting biedt voor het verbeteren van de robuustheid van deep-learningmodellen in de seismologie en geowetenschappen. Door de kritieke uitdaging van labelruis aan te pakken zonder te vertrouwen op arbeidsintensieve datacleaning of massale datasets, maakt de aanpak het mogelijk om high-performance modellen te trainen, zelfs met imperfect toezicht. De auteurs benadrukken dat het vermogen van de methode om het leren van fysieke features te ontkoppelen van ruisige supervisie, zorgt voor stabiele training en betrouwbare generalisatie, wat essentieel is voor toepassingen zoals monitoring van geïnduceerde seismiciteit, karakterisering van reservoirs en gevarenbeoordeling. De studie concludeert dat LaNCoR de impact van labelruis effectief mitigeert door middel van feature-afstemming, waardoor het een veelzijdige tool is voor seismische signaalverwerkingstaken die verder gaan dan enkel fase-detectie.