Fugu-MT 論文翻訳(概要): Self-Supervised Knowledge-Driven Deep Learning for 3D Magnetic Inversion

論文の概要: Self-Supervised Knowledge-Driven Deep Learning for 3D Magnetic Inversion

arxiv url: http://arxiv.org/abs/2308.12193v1
Date: Wed, 23 Aug 2023 15:31:38 GMT
ステータス: 処理完了
システム内更新日: 2023-08-24 13:45:48.031841
Title: Self-Supervised Knowledge-Driven Deep Learning for 3D Magnetic Inversion
Title（参考訳）: 3次元磁気インバージョンのための自己教師付き知識駆動深層学習
Authors: Yinshuo Li, Zhuo Jia, Wenkai Lu, Cao Song
Abstract要約: 提案する自己教師型知識駆動型3次元磁気インバージョン法は, インバージョンモデルとフォワードモデルの閉ループにより, 対象フィールドデータから学習する。提案した逆転モデルには知識駆動型モジュールがあり、深層学習法をより説明しやすくする。実験により,提案手法は優れた性能を有する信頼性のある磁気反転法であることが示された。
参考スコア（独自算出の注目度）: 6.001304967469112
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The magnetic inversion method is one of the non-destructive geophysical methods, which aims to estimate the subsurface susceptibility distribution from surface magnetic anomaly data. Recently, supervised deep learning methods have been widely utilized in lots of geophysical fields including magnetic inversion. However, these methods rely heavily on synthetic training data, whose performance is limited since the synthetic data is not independently and identically distributed with the field data. Thus, we proposed to realize magnetic inversion by self-supervised deep learning. The proposed self-supervised knowledge-driven 3D magnetic inversion method (SSKMI) learns on the target field data by a closed loop of the inversion and forward models. Given that the parameters of the forward model are preset, SSKMI can optimize the inversion model by minimizing the mean absolute error between observed and re-estimated surface magnetic anomalies. Besides, there is a knowledge-driven module in the proposed inversion model, which makes the deep learning method more explicable. Meanwhile, comparative experiments demonstrate that the knowledge-driven module can accelerate the training of the proposed method and achieve better results. Since magnetic inversion is an ill-pose task, SSKMI proposed to constrain the inversion model by a guideline in the auxiliary loop. The experimental results demonstrate that the proposed method is a reliable magnetic inversion method with outstanding performance.
Abstract（参考訳）: 磁気インバージョン法は, 地磁気異常データから地表面の感受性分布を推定する非破壊的な物理手法の1つである。近年,磁気インバージョンを含む多くの物理分野において,教師付き深層学習法が広く利用されている。しかし、これらの手法は、合成データがフィールドデータと独立かつ同一に分散していないため、性能が制限された合成トレーニングデータに大きく依存する。そこで本稿では,自己教師型深層学習による磁気反転を実現することを提案する。提案する自己教師型知識駆動型3次元磁気インバージョン法(SSKMI)は,インバージョンモデルとフォワードモデルの閉ループにより,対象フィールドデータから学習する。フォワードモデルのパラメータが予め設定されていることを考えると、SSKMIは観測された表面磁気異常と再推定された表面磁気異常の絶対誤差を最小化することで、インバージョンモデルを最適化することができる。さらに、提案した逆変換モデルには知識駆動型モジュールがあり、深層学習法をより説明しやすくする。一方、知識駆動モジュールは、提案手法の訓練を加速し、より良い結果が得られることを示す。磁気反転は不適切なタスクであるため、SSKMIは補助ループのガイドラインによる反転モデルを制約することを提案した。実験により,提案手法は優れた性能を有する信頼性のある磁気反転法であることが示された。

関連論文リスト

Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models [16.91835461818938]
我々は物理で導かれた新しいディープ・インバージョン・アルゴリズムを提案し、1Dマグネトロンモデル(MT)を推定する。本手法では,コスト関数の最小化を物理的に導く,微分可能なモデリング演算子を用いる。提案手法は, 異なる周波数でのフィールドデータと合成データを用いて検証し, 取得モデルが他の結果よりも精度が高いことを示す。
論文参考訳（メタデータ） (2024-10-20T04:17:59Z)
3-D Magnetotelluric Deep Learning Inversion Guided by Pseudo-Physical Information [11.303727578628575]
近年,ジョイントデータ駆動と物理駆動を併用したDLインバージョン法が注目されている。本稿では、ニューラルネットワーク(NN)の前方モデリングを通して擬似物理情報を導入し、損失のこの部分を計算する。本研究では,3次元MTインバージョンにおけるフィールドデータ環境をシミュレートし,マスキングとノイズ付加を含む新しい入力モードを提案する。
論文参考訳（メタデータ） (2024-10-12T06:39:31Z)
Phase-Based Approaches for Rapid Construction of Magnetic Fields in NV Magnetometry [9.378134074181768]
本稿では、光検出磁気共鳴(ODMR)信号から磁場を推定する。 ODMR信号の位相推定へのシフトを計算効率の良い手法として提案する。その結果,提案手法は既存手法に比べて計算時間を著しく短縮することがわかった。
論文参考訳（メタデータ） (2024-08-17T08:58:27Z)
Towards Stable and Storage-efficient Dataset Distillation: Matching Convexified Trajectory [53.37473225728298]
ディープラーニングと大規模言語モデルの急速な進化により、トレーニングデータの需要が指数関数的に増加した。 MTT(Matching Training Trajectories)は、専門家ネットワークのトレーニングトラジェクトリを、合成データセットで実データ上に複製する、顕著なアプローチである。そこで本研究では,学生の軌道に対するより良いガイダンスを提供することを目的として,MCT (Matching Convexified Trajectory) と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-06-28T11:06:46Z)
A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文参考訳（メタデータ） (2024-02-06T13:20:56Z)
Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文参考訳（メタデータ） (2023-10-15T18:44:30Z)
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)
Magnetic Field-Based Reward Shaping for Goal-Conditioned Reinforcement Learning [16.224372286510558]
リワードシェーピングは、人間のドメイン知識を学習プロセスに埋め込むことで、サンプル効率を向上させるための実践的なアプローチである。本稿では,目標条件付きRLタスクの動的目標と障害物を考慮した新しい磁場型報酬整形法を提案する。シミュレーションと実世界のロボット操作の両方の実験の結果、MFRSは既存の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-07-16T13:04:40Z)
A neural operator-based surrogate solver for free-form electromagnetic inverse design [0.0]
我々は、電磁散乱問題に対する代理解法として、修正されたフーリエニューラル演算子を実装し、訓練する。自由形完全3次元電磁散乱器の勾配型ナノフォトニクス逆設計への応用を実証する。
論文参考訳（メタデータ） (2023-02-04T07:56:18Z)
Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文参考訳（メタデータ） (2022-11-20T15:49:11Z)
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文参考訳（メタデータ） (2020-10-19T09:23:39Z)

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。