신뢰할 수 있는 이벤트 탐지(Event detection)는 이산화탄소 포집 및 저장(CCS)과 지열 운영을 위한 유발 지진 모니터링, 분산형 음향 센싱(DAS), 그리고 산업용 상태 모니터링의 근간이 됩니다. 각 설정에서 탐지기는 센서가 고장 날 때와 신호가 노이즈에 파묻힐 때 모두 신뢰성을 유지해야 합니다. 이 두 가지 실패 모드는 일상적으로 혼동되며, 아키텍처의 복잡성이 정당하지 않은 강건함(Robustness)의 원인으로 간주되곤 합니다. 우리는 물리적으로 서로 다른 세 가지 실제 소스인 Hi-net 지진 파형, Utah FORGE 2024 시추공 DAS, 그리고 MAFAULDA 산업용 진동으로부터 통합된 이진 이벤트 탐지 벤치마크를 구축했습니다. 각 소스는 공통된 8채널, 256-샘플 표현 방식으로 매핑되었습니다. 우리는 샘플별 센서 드롭아웃(Sensor-dropout) 방식으로 학습된 결함 허용(Fault-tolerant) 탐지기(CEPHALON)를 동일한 레시피로 학습된 표준 탐지기들(1D 합성곱 신경망(1D Convolutional Network), 시간적 합성곱 신경망(Temporal Convolutional Network), 그리고 컴팩트한 Transformer)과 비교 평가했습니다. 깨끗한 데이터에서는 모든 모델이 완벽에 가깝습니다 (AUC ~ 0.99). 점진적인 센서 손실 상황에서는 센서 드롭아웃을 적용한 단순한 모델들도 이미 강건하며, CEPHALON은 별다른 이점이 없습니다. 그러나 가산 노이즈(Additive noise) 상황에서는 CEPHALON이 훨씬 더 우아하게 성능을 유지합니다. -2.5 dB에서 CEPHALON의 전체 AUC는 0.939인 반면, 합성곱 베이스라인 모델들은 0.532-0.572를 기록했습니다. 동일한 아키텍처의 절제 연구(Ablation)를 통해 그 원인을 격리해 보았습니다. 추론 시 내부 중복성(Internal redundancy)을 비활성화하면 저신호 대 잡음비(Low-SNR) 이점이 약간 감소할 뿐이지만, 센서 드롭아웃 학습을 제거하면 이점이 완전히 무너집니다 (-5 dB에서 0.899에서 0.603으로 감소). 따라서 학습 레시피가 지배적인 원인이며, 병렬 중복성(Parallel redundancy)은 부차적인 원인일 뿐입니다. 우리는 모든 그림을 다시 생성할 수 있도록 번호가 매겨진 완전하고 재현 가능한 파이프라인을 공개합니다.