論文の概要: Enhanced prediction accuracy with uncertainty quantification in
monitoring CO2 sequestration using convolutional neural networks
- arxiv url: http://arxiv.org/abs/2212.04567v1
- Date: Thu, 8 Dec 2022 21:25:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 16:05:42.818403
- Title: Enhanced prediction accuracy with uncertainty quantification in
monitoring CO2 sequestration using convolutional neural networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いたCO2隔離モニタリングにおける不確実性定量化による予測精度の向上
- Authors: Yanhua Liu, Xitong Zhang, Ilya Tsvankin, and Youzuo Lin
- Abstract要約: 同時量子回帰(SQR)は、ピンボール損失によってニューラルネットワークのターゲット変数の条件分布全体を推定することができる。
本研究では,不確実性をサンプリングし,予測精度をさらに向上する新しいデータ拡張手法を提案する。
開発された手法は、エネルギー省によって作成され、カリフォルニア州のCO2捕獲隔離プロジェクトに基づいて、Kimberlinaの合成データに基づいて試験される。
- 参考スコア（独自算出の注目度）: 3.3336265497547135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring changes inside a reservoir in real time is crucial for the success
of CO2 injection and long-term storage. Machine learning (ML) is well-suited
for real-time CO2 monitoring because of its computational efficiency. However,
most existing applications of ML yield only one prediction (i.e., the
expectation) for a given input, which may not properly reflect the distribution
of the testing data, if it has a shift with respect to that of the training
data. The Simultaneous Quantile Regression (SQR) method can estimate the entire
conditional distribution of the target variable of a neural network via pinball
loss. Here, we incorporate this technique into seismic inversion for purposes
of CO2 monitoring. The uncertainty map is then calculated pixel by pixel from a
particular prediction interval around the median. We also propose a novel
data-augmentation method by sampling the uncertainty to further improve
prediction accuracy. The developed methodology is tested on synthetic
Kimberlina data, which are created by the Department of Energy and based on a
CO2 capture and sequestration (CCS) project in California. The results prove
that the proposed network can estimate the subsurface velocity rapidly and with
sufficient resolution. Furthermore, the computed uncertainty quantifies the
prediction accuracy. The method remains robust even if the testing data are
distorted due to problems in the field data acquisition. Another test
demonstrates the effectiveness of the developed data-augmentation method in
increasing the spatial resolution of the estimated velocity field and in
reducing the prediction error.
- Abstract（参考訳）: 貯水池内の変化をリアルタイムでモニタリングすることは、CO2注入と長期貯蔵の成功に不可欠である。
機械学習(ML)はその計算効率のため、リアルタイムCO2モニタリングに適している。
しかし、MLの既存のアプリケーションのほとんどは、与えられた入力に対して1つの予測(すなわち期待値)しか生成しないため、トレーニングデータに対するシフトがある場合、テストデータの分布を適切に反映しない可能性がある。
同時量子回帰(SQR)法は、ピンボール損失によってニューラルネットワークのターゲット変数の条件分布全体を推定することができる。
ここでは, この手法をCO2モニタリングのための地震インバージョンに適用する。
そして、不確実性マップを中央値付近の特定の予測間隔から画素毎に算出する。
また,不確実性をサンプリングして予測精度をさらに向上する新しいデータ拡張手法を提案する。
開発された手法は、エネルギー省が作成し、カリフォルニア州のCO2捕捉・隔離(CCS)プロジェクトに基づいて、Kimberlinaの合成データに基づいて試験される。
その結果,提案ネットワークは高速かつ十分な解像度で地下速度を推定できることがわかった。
さらに、計算不確実性は予測精度を定量化する。
フィールドデータ取得の問題によりテストデータが歪んだとしても、この方法は堅牢である。
また, 推定速度場の空間分解能を増大させ, 予測誤差を低減させるデータ提示法の有効性を実証した。
関連論文リスト
- An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Estimating Uncertainty with Implicit Quantile Network [0.0]
不確かさの定量化は多くの性能クリティカルなアプリケーションにおいて重要な部分である。
本稿では,アンサンブル学習やベイズニューラルネットワークなど,既存のアプローチに対する簡単な代替手段を提供する。
論文 参考訳（メタデータ） (2024-08-26T13:33:14Z) - LMD: Light-weight Prediction Quality Estimation for Object Detection in
Lidar Point Clouds [3.927702899922668]
Lidarのクラウドデータのオブジェクト検出は、自動運転とロボット工学にとって有望な技術だ。
不確実性推定は下流タスクにとって重要な要素であり、ディープニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。
予測品質推定のための軽量後処理方式LidarMetaDetectを提案する。
本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
論文 参考訳（メタデータ） (2023-06-13T15:13:29Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - Dual Accuracy-Quality-Driven Neural Network for Prediction Interval Generation [0.0]
本稿では,回帰に基づくニューラルネットワークの予測間隔を自動的に学習する手法を提案する。
我々の主な貢献は、PI世代ネットワークのための新しい損失関数の設計である。
合成データセット,8つのベンチマークデータセット,および実世界の収量予測データセットを用いて実験したところ,本手法は有意な確率カバレッジを維持することができた。
論文 参考訳（メタデータ） (2022-12-13T05:03:16Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - A Kernel Framework to Quantify a Model's Local Predictive Uncertainty
under Data Distributional Shifts [21.591460685054546]
訓練されたニューラルネットワークの内部層出力は、そのマッピング機能と入力データ分布の両方に関連するすべての情報を含む。
生予測空間のPDFを明示的に推定する訓練ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
カーネルフレームワークは、モデル予測エラーを検出する能力に基づいて、はるかに精度の高いモデル不確実性推定を提供する。
論文 参考訳（メタデータ） (2021-03-02T00:31:53Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - APQ: Joint Search for Network Architecture, Pruning and Quantization
Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。
ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。
同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文 参考訳（メタデータ） (2020-06-15T16:09:17Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。