路径签名与图神经网络用于慢性地震分析：携手更佳？
机器学习
2024-02-07 v1 地球物理
摘要
路径签名近期在机器学习社区获得成功，作为一种从不规则路径中提取工程特征的方法论。另一方面，图神经网络（GNN）是处理图上数据的数据结构，擅长处理不规则领域中的任务，如传感器网络。本文提出一种新方法，路径签名图卷积神经网络（PS-GCNN），将路径签名集成到图卷积神经网络（GCNN）中，利用路径签名进行特征提取，利用 GCNN 处理空间相互作用。我们将该方法应用于慢性地震序列分析，即慢滑动事件（SSE），利用 GPS 时序数据，在新西兰北岛东海岸的 GPS 传感器网络案例研究中进行实践。我们还在模拟的随机微分方程上建立基准，这些方程建模类似的反扩散现象。我们的 methodology 显示出在地震预测和传感器网络分析方面具有前景。
引用
@article{arxiv.2402.03558,
title = {Path Signatures and Graph Neural Networks for Slow Earthquake Analysis: Better Together?},
author = {Hans Riess and Manolis Veveakis and Michael M. Zavlanos},
journal= {arXiv preprint arXiv:2402.03558},
year = {2024}
}