基于 KAN 增强神经低秩表示的高效地震数据随机噪声衰减

基于摘要分析。本文研究地震数据的随机噪声衰减，针对真实场景缺少干净标签、现有自监督方法计算开销较高的问题，提出 KAN 增强的神经低秩表示（NLRR）方法，在无需成对训练数据的条件下联合利用低秩与平滑先验。 核心机制是采用由隐式神经表示（INRs）参数化的紧凑张量分解，将地震数据的低秩结构和平滑性编码进模型；同时，以具有不同频率的多个正弦激活函数构建广义 Kolmogorov-Arnold network（KAN），作为 NLRR 的因子函数以增强表示能力。摘要未给出具体损失、秩选择、频率配置或优化过程，这些实现条件尚未验证。 作者报告，在合成与实测地震数据实验中，该方法相较若干传统及深度学习方法具有更好的去噪效果和效率；相较所比较的现有自监督方法，执行时间减少超过 90%，同时取得更好的去噪结果。该数字仅适用于摘要所述地震去噪比较，具体数据规模、硬件、计时口径、对照方法及效果指标尚未验证，实验协议、消融及统计信息也尚未验证。 平台推测（待验证）：可迁移的机制是以隐式因子函数表示多通道信号的低秩、平滑结构，而非地震领域效果本身。若 EEG 时间—通道数据具备可利用的相关结构，可探索复用张量分解及因子函数，但需调整张量组织、秩与频率范围。低信噪比、小数据、跨被试差异及通道变化可能使模型拟合噪声，或把瞬态神经活动误当作噪声去除。一个可证伪的小实验是在固定 EEG 数据划分和已知加性噪声条件下，与常规低秩去噪及不含 KAN 的同框架比较，统一硬件并同时检查重建误差、任务相关信号保真度和运行时间。相关 EEG 工作尚未检索确认。