딥러닝이 지진파의 위상 판별에 혁신을 가져왔지만, 높은 신호 대 잡음비의 S파 예측이 탐지 임계값을 넘지 못하고 진폭이 억제된 채로 진동하는 현상이 발생했다. 본 논문은 이 현상을 "진폭 억제"로 명명하고, 훈련 이력 및 손실 풍경 분석을 통해 이를 진단했다. 세 가지 상호 작용하는 요인이 확인되었는데, S파 시작점의 높은 시간적 불확실성, CNN의 날카로운 진폭 변화에 대한 편향, 그리고 점별 이진 교차 엔트로피(BCE) 손실의 측면 수정력 부족이 그것이다. 이러한 기하학적 함정은 안정적인 기하학적 템플릿이 시간적 정렬에 앞서야 한다는 "모양-후-정렬" 솔루션을 제시한다. 저자들은 조건부 GAN 프레임워크를 통해 이 문제를 해결했으며, 기존 BCE 훈련에 형태 제약 조건을 강제하는 판별자를 추가하여 64%의 S파 탐지율 증가를 달성했다.
