RECOVAR: 지진 사건 탐지를 위한 심층 잠재 공간상의 표현 공분산
RECOVAR: Representation Covariances on Deep Latent Spaces for Seismic Event Detection
최신 딥러닝 방법은 지진 탐지를 개선했지만, 가장 널리 쓰이는 접근법은 대체로 대규모 레이블 파형 데이터셋을 이용한 지도 학습에 의존한다. 이러한 데이터셋을 구축하는 일은 시간이 많이 들고, 기존 카탈로그, 탐지 파이프라인, 사람의 검토에서 비롯된 편향을 유발하여 데이터셋 간 일반화와 과소 대표된 사건에 대한 민감도를 제한할 수 있다. 본 논문은 사건/잡음 레이블 없이 원시 파형으로부터 직접 학습할 수 있는 비지도 지진 사건 탐지 방법인 RECOVAR를 제시한다. 이 방법은 합성곱 오토인코더의 앙상블을 사용하며, 교차 공분산 기반 지표를 통해 압축된 잠재 표현의 시간적 정렬을 측정함으로써 사건을 탐지한다. 결과는 RECOVAR가 공개 벤치마크 데이터셋에서 지도 학습 탐지기의 성능에 도달할 수 있고, 데이터셋 간 시나리오에서도 견고하며, 사건을 포함한 창이 학습 스트림의 $1\%$ 미만인 불균형 연속 파형 데이터에서도 효과적임을 시사한다. 또한 이 방법은 다중 관측소 환경에서 정밀도를 높이는 필터로 작용하여 지도 학습 파이프라인을 보완할 수 있다. 탐지 원리가 도메인 특화 가정을 두지 않으므로, 이 접근법은 지진학을 넘어 신호 탐지 문제로 확장될 수 있다.