論文の概要: Automatic Stack Velocity Picking Using an Unsupervised Ensemble Learning
Method
- arxiv url: http://arxiv.org/abs/2205.08372v2
- Date: Tue, 23 May 2023 07:43:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 02:01:47.581335
- Title: Automatic Stack Velocity Picking Using an Unsupervised Ensemble Learning
Method
- Title(参考訳): 教師なしアンサンブル学習法を用いたスタック速度自動選択
- Authors: H.T. Wang, J.S. Zhang, C.X. Zhang, Z.X. Zhao, W.F. Geng
- Abstract要約: ラベル付きデータへの依存と選択精度のバランスをとるために,Unsupervised Ensemble Learning (UEL) アプローチを提案する。
UELは、近くの速度スペクトルやその他の既知の情報源からのデータを利用して、効率的で合理的な速度ポイントを選定する。
UELは従来のクラスタリングベースの手法や広く使われている畳み込みニューラルネットワーク(CNN)手法よりも信頼性が高く正確である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Seismic velocity picking algorithms that are both accurate and efficient can
greatly speed up seismic data processing, with the primary approach being the
use of velocity spectra. Despite the development of some supervised deep
learning-based approaches to automatically pick the velocity, they often come
with costly manual labeling expenses or lack interpretability. In comparison,
using physical knowledge to drive unsupervised learning techniques has the
potential to solve this problem in an efficient manner. We suggest an
Unsupervised Ensemble Learning (UEL) approach to achieving a balance between
reliance on labeled data and picking accuracy, with the aim of determining the
stack velocity. UEL makes use of the data from nearby velocity spectra and
other known sources to help pick efficient and reasonable velocity points,
which are acquired through a clustering technique. Testing on both the
synthetic and field data sets shows that UEL is more reliable and precise in
auto-picking than traditional clustering-based techniques and the widely used
Convolutional Neural Network (CNN) method.
- Abstract(参考訳): 精度と効率の両立した地震速度選択アルゴリズムは地震データ処理を大幅に高速化することができ、主なアプローチは速度スペクトルの利用である。
ベロシティを自動選択するための教師付きディープラーニングベースのアプローチが開発されているにもかかわらず、しばしば手作業によるラベル付けの費用がかかる。
対照的に、物理知識を用いて教師なし学習手法を駆動することは、この問題を効率的に解決する可能性がある。
スタック速度を決定するために,ラベル付きデータへの依存と精度の選択のバランスをとるために,教師なしアンサンブル学習(UEL)アプローチを提案する。
UELは、近くの速度スペクトルやその他の既知の情報源からのデータを利用して、クラスタリング技術によって取得される効率的で合理的な速度ポイントを選定する。
合成データとフィールドデータの両方をテストすると、uelは従来のクラスタリングベースの技術や広く使われている畳み込みニューラルネットワーク(cnn)よりも信頼性が高く、精度が高いことが分かる。
関連論文リスト
- Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳(メタデータ) (2023-10-09T14:30:06Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳(メタデータ) (2023-09-18T12:35:05Z) - Deep Spatiotemporal Clustering: A Temporal Clustering Approach for
Multi-dimensional Climate Data [0.353122873734926]
教師なし深層学習法を用いて,データの高次元時間表現のための新しいアルゴリズムを提案する。
U-netアーキテクチャにインスパイアされたアルゴリズムでは,CNN-RNN層を統合したオートエンコーダを用いて潜在表現を学習する。
実験の結果,従来のクラスタリングアルゴリズムと深層学習に基づくクラスタリングアルゴリズムのどちらよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-27T21:45:21Z) - Direct Localization in Underwater Acoustics via Convolutional Neural
Networks: A Data-Driven Approach [31.399611901926583]
ダイレクトローカライゼーション(DLOC)法は、一般的に間接的な2段階法よりも優れている。
水中音響DLOC法は環境の事前の知識を必要とする。
そこで本研究では,データ駆動型DLOC法を提案する。
論文 参考訳(メタデータ) (2022-07-20T22:40:11Z) - Pushing the Limits of Learning-based Traversability Analysis for
Autonomous Driving on CPU [1.841057463340778]
本稿では,リアルタイム機械学習に基づくトラバーサビリティ分析手法の提案と評価を行う。
新しい幾何学的特徴と視覚的特徴を統合し、重要な実装の詳細に焦点を当てることで、パフォーマンスと信頼性が著しく向上することを示します。
提案手法は、屋外運転シナリオのパブリックデータセットに関する最先端のDeep Learningアプローチと比較されている。
論文 参考訳(メタデータ) (2022-06-07T07:57:34Z) - Automatic Velocity Picking Using a Multi-Information Fusion Deep
Semantic Segmentation Network [0.0]
地震データ処理における重要なステップである速度抽出は、何十年にもわたって研究されてきた。
深層学習(DL)法は,中・高信号-雑音比(SNR)の地震データに対して良好な結果を得た。
速度スペクトルとスタック集合セグメントの融合情報から積み重ね速度を推定する多情報融合ネットワーク(MIFN)を提案する。
論文 参考訳(メタデータ) (2022-05-07T12:55:13Z) - Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。
計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。
また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文 参考訳(メタデータ) (2022-03-23T06:24:31Z) - Efficient training of lightweight neural networks using Online
Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。
出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文 参考訳(メタデータ) (2021-08-26T14:01:04Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-28T19:21:14Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - A Deep Unsupervised Feature Learning Spiking Neural Network with
Binarized Classification Layers for EMNIST Classification using SpykeFlow [0.0]
二成分アクティベーションを用いたスパイクタイミング依存塑性(STDP)の教師なし学習技術は、スパイク入力データから特徴を抽出するために用いられる。
バランスの取れたEMNISTデータセットに対するアキュラシーは、他のアプローチと好意的に比較した。
論文 参考訳(メタデータ) (2020-02-26T23:47:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。