論文の概要: Stochastic full waveform inversion with deep generative prior for uncertainty quantification
- arxiv url: http://arxiv.org/abs/2406.04859v1
- Date: Fri, 7 Jun 2024 11:44:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 14:20:58.729568
- Title: Stochastic full waveform inversion with deep generative prior for uncertainty quantification
- Title(参考訳): 不確実性定量化のための深部生成前の確率的全波形インバージョン
- Authors: Yuke Xie, Hervé Chauris, Nicolas Desassis,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To obtain high-resolution images of subsurface structures from seismic data, seismic imaging techniques such as Full Waveform Inversion (FWI) serve as crucial tools. However, FWI involves solving a nonlinear and often non-unique inverse problem, presenting challenges such as local minima trapping and inadequate handling of inherent uncertainties. In addressing these challenges, we propose leveraging deep generative models as the prior distribution of geophysical parameters for stochastic Bayesian inversion. This approach integrates the adjoint state gradient for efficient back-propagation from the numerical solution of partial differential equations. Additionally, we introduce explicit and implicit variational Bayesian inference methods. The explicit method computes variational distribution density using a normalizing flow-based neural network, enabling computation of the Bayesian posterior of parameters. Conversely, the implicit method employs an inference network attached to a pretrained generative model to estimate density, incorporating an entropy estimator. Furthermore, we also experimented with the Stein Variational Gradient Descent (SVGD) method as another variational inference technique, using particles. We compare these variational Bayesian inference methods with conventional Markov chain Monte Carlo (McMC) sampling. Each method is able to quantify uncertainties and to generate seismic data-conditioned realizations of subsurface geophysical parameters. This framework provides insights into subsurface structures while accounting for inherent uncertainties.
- Abstract(参考訳): 地震データから地下構造物の高解像度画像を得るため, フルウェーブフォーム・インバージョン(FWI)などの地震イメージング技術が重要なツールである。
しかし、FWIは非線形でしばしば不均一な逆問題の解決を伴い、局所的なミニマトラップや不確かさの扱いが不十分なような課題を提示する。
これらの課題に対処するために、確率的ベイズ反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。
このアプローチは、偏微分方程式の数値解からの効率的なバックプロパゲーションのための随伴状態勾配を統合する。
さらに、明示的および暗黙的な変分ベイズ推定手法を導入する。
明示的な方法では、正規化フローベースニューラルネットワークを用いて変動分布密度を計算し、パラメータのベイズ後方の計算を可能にする。
逆に、暗黙的手法では、事前学習された生成モデルに付随する推論ネットワークを用いて密度を推定し、エントロピー推定器を組み込む。
さらに、粒子を用いた別の変分推論手法として、Stein Variational Gradient Descent (SVGD)法を実験した。
これらの変分ベイズ推定法と従来のマルコフ連鎖モンテカルロ(McMC)サンプリングとの比較を行った。
それぞれの手法は不確実性を定量化し、地下物理パラメータの地震データ条件付き実現を生成することができる。
この枠組みは、固有の不確実性を考慮しつつ、地下構造に関する洞察を提供する。
関連論文リスト
- Inflationary Flows: Calibrated Bayesian Inference with Diffusion-Based Models [0.0]
本稿では,拡散モデルを用いてベイズ推定を行う方法を示す。
本稿では,新しいノイズスケジュールを用いて,標準的なDBMトレーニングを通じてそのようなマップを学習する方法を示す。
その結果は、低次元の潜在空間上で一意に定義される非常に表現性の高い生成モデルのクラスである。
論文 参考訳(メタデータ) (2024-07-11T19:58:19Z) - A local squared Wasserstein-2 method for efficient reconstruction of models with uncertainty [0.0]
本稿では,不確定な潜伏変数やパラメータを持つモデル再構成の逆問題を解決するために,局所二乗ワッサースタイン-2(W_2)法を提案する。
このアプローチの重要な利点は、下位モデルにおける潜伏変数やパラメータの分布に関する事前情報を必要としないことである。
論文 参考訳(メタデータ) (2024-06-10T22:15:55Z) - A Unified Theory of Stochastic Proximal Point Methods without Smoothness [52.30944052987393]
近点法はその数値的安定性と不完全なチューニングに対する頑健性からかなりの関心を集めている。
本稿では,近位点法(SPPM)の幅広いバリエーションの包括的解析について述べる。
論文 参考訳(メタデータ) (2024-05-24T21:09:19Z) - 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) - Posterior sampling with CNN-based, Plug-and-Play regularization with
applications to Post-Stack Seismic Inversion [0.0]
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。
論文 参考訳(メタデータ) (2022-12-30T08:20:49Z) - 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) - Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。
提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
論文 参考訳(メタデータ) (2022-05-18T17:11:23Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳(メタデータ) (2021-11-26T06:33:29Z) - 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) - Towards a Kernel based Uncertainty Decomposition Framework for Data and
Models [20.348825818435767]
本稿では,データとモデルの両方において予測の不確実性を定量化する新しいフレームワークを提案する。
我々は,このフレームワークを,点予測ニューラルネットワークモデルの予測不確実性定量化のためのサロゲートツールとして応用する。
論文 参考訳(メタデータ) (2020-01-30T18:35:36Z)
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。