11:52
官方账号arXiv cs.LG@Isao Kurosawa
推荐理由：这篇论文用三个真实数据把故障容错和抗噪鲁棒性分清楚了，发现训练方式比架构更关键，做事件检测的可以看看。
Hi-net
共 1 条相关 AI 资讯
6月30日
11:52
研究人员针对碳捕获与封存（CCS）、地热等场景中事件检测的鲁棒性展开研究，将传感器故障容错与低信噪比鲁棒性区分开。他们基于Hi-net地震波形、Utah FORGE 2024钻孔DAS和MAFAULDA工业振动三个真实数据集构建了统一二进制事件检测基准，使用8通道256样本表示。在干净数据上所有模型AUC约0.99。在渐进式传感器丢失下，简单模型已具备鲁棒性，CEPHALON无优势。但在加性噪声-2.5 dB时，CEPHALON的AUC为0.939，而卷积基线在0.532-0.572之间。消融实验表明训练策略（每样本传感器丢弃）是低SNR鲁棒性的主导因素，而非平行冗余架构。