論文の概要: Posterior sampling with CNN-based, Plug-and-Play regularization with
applications to Post-Stack Seismic Inversion
- arxiv url: http://arxiv.org/abs/2212.14595v1
- Date: Fri, 30 Dec 2022 08:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 16:03:17.098882
- Title: Posterior sampling with CNN-based, Plug-and-Play regularization with
applications to Post-Stack Seismic Inversion
- Title(参考訳): CNNに基づくプラグ・アンド・プレイ正規化による後方サンプリングとポストスタック地震インバージョンへの応用
- Authors: Muhammad Izzatullah, Tariq Alkhalifah, Juan Romero, Miguel Corrales,
Nick Luiken, Matteo Ravasi
- Abstract要約: 不確かさの定量化は、反転結果に関する貴重な情報を提供することができるため、逆問題に不可欠である。
本稿では,CNNに基づくデノイザを用いて,Kulback-Leibler分散損失を暗黙的に正規化することにより,後部推論を行うフレームワークを提案する。
我々はこのアルゴリズムをPlug-and-Play Stein Vari-SVGDと呼び、高解像度で信頼性の高いサンプルを作成する能力を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Uncertainty quantification is crucial to inverse problems, as it could
provide decision-makers with valuable information about the inversion results.
For example, seismic inversion is a notoriously ill-posed inverse problem due
to the band-limited and noisy nature of seismic data. It is therefore of
paramount importance to quantify the uncertainties associated to the inversion
process to ease the subsequent interpretation and decision making processes.
Within this framework of reference, sampling from a target posterior provides a
fundamental approach to quantifying the uncertainty in seismic inversion.
However, selecting appropriate prior information in a probabilistic inversion
is crucial, yet non-trivial, as it influences the ability of a sampling-based
inference in providing geological realism in the posterior samples. To overcome
such limitations, we present a regularized variational inference framework that
performs posterior inference by implicitly regularizing the Kullback-Leibler
divergence loss with a CNN-based denoiser by means of the Plug-and-Play
methods. We call this new algorithm Plug-and-Play Stein Variational Gradient
Descent (PnP-SVGD) and demonstrate its ability in producing high-resolution,
trustworthy samples representative of the subsurface structures, which we argue
could be used for post-inference tasks such as reservoir modelling and history
matching. To validate the proposed method, numerical tests are performed on
both synthetic and field post-stack seismic data.
- Abstract(参考訳): 不確かさの定量化は逆問題に不可欠であり、意思決定者に反転結果に関する貴重な情報を提供する可能性がある。
例えば、地震の逆転は、地震データの帯域制限とノイズの性質のため、悪名高い逆問題である。
したがって、インバージョンプロセスに関連する不確かさを定量化し、その後の解釈と意思決定プロセスを容易にすることが重要となる。
この参照の枠組みの中で、ターゲット後方からのサンプリングは、地震インバージョンの不確かさを定量化する基本的なアプローチを提供する。
しかしながら、確率的逆転における適切な事前情報の選択は、後部サンプルに地質学的リアリズムを提供するサンプリングベース推論の能力に影響を与えるため、極めて重要である。
このような制限を克服するために,CNNベースのデノイザを用いて,Kulback-Leibler分散損失を暗黙的に正規化し,後続推論を行う正規化変分推論フレームワークを提案する。
我々はこの新しいアルゴリズムをPlug-and-Play Stein Variational Gradient Descent (PnP-SVGD)と呼び、地下構造を代表する高解像度で信頼性の高いサンプルを作成する能力を示した。
提案手法を検証するため, 総合地震データとフィールド地震データの両方で数値実験を行った。
関連論文リスト
- Full-waveform earthquake source inversion using simulation-based inference [0.0]
シミュレーションベース推論(SBI)を用いたフルウェーブフォーム地震源インバージョンのための新しい枠組みを提案する。
以上の結果から,SBIは震源パラメータと概ね一致したよく校正された後部を生成できることが示唆された。
我々は北大西洋の2つの中等級地震に我々の手法を適用した。
論文 参考訳(メタデータ) (2024-10-30T17:25:57Z) - Uncertainty Quantification in Seismic Inversion Through Integrated Importance Sampling and Ensemble Methods [2.2530496464901106]
ディープラーニングベースの地震インバージョンでは、データノイズ、ニューラルネットワークの設計とトレーニング、固有のデータ制限など、さまざまなソースから不確実性が発生する。
本研究では, アンサンブル法と重要サンプリングを組み合わせた地震インバージョンにおける不確実性定量化手法を提案する。
論文 参考訳(メタデータ) (2024-09-10T19:53:12Z) - Stochastic full waveform inversion with deep generative prior for uncertainty quantification [0.0]
フルウェーブフォーム・インバージョン(FWI)は非線形でしばしば不均一な逆問題を解決する。
FWIは、局所的なミニマトラップや不確実性の不十分な処理といった課題を提示している。
本研究では,ベイジアン逆転に対する物理パラメータの事前分布として,深部生成モデルを活用することを提案する。
論文 参考訳(メタデータ) (2024-06-07T11:44:50Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳(メタデータ) (2023-11-09T23:32:06Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - Reliable amortized variational inference with physics-based latent
distribution correction [0.4588028371034407]
ニューラルネットワークは、既存のモデルとデータのペアの後方分布を近似するように訓練される。
このアプローチの精度は、高忠実度トレーニングデータの可用性に依存する。
補正ステップは, ソース実験数の変化, ノイズ分散, 先行分布の変化に対して, 償却された変分推論の頑健さを向上することを示す。
論文 参考訳(メタデータ) (2022-07-24T02:38:54Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳(メタデータ) (2021-03-15T16:16:18Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Uncertainty quantification in imaging and automatic horizon tracking: a
Bayesian deep-prior based approach [0.5156484100374059]
不確実性定量化(英: Uncertainty Quantification、UQ)は、解の不均一性とデータノイズ感度の確率論的記述を扱う。
本稿では,階層モデルを決定するために,UQが地平線追跡にどのように貢献するかに焦点を当てる。
論文 参考訳(メタデータ) (2020-04-01T04:26:33Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳(メタデータ) (2020-03-19T15:36:31Z) - Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。
地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文 参考訳(メタデータ) (2020-02-05T10:11:26Z)
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。