論文の概要: Uncertainty Quantification in Seismic Inversion Through Integrated Importance Sampling and Ensemble Methods
- arxiv url: http://arxiv.org/abs/2409.06840v1
- Date: Tue, 10 Sep 2024 19:53:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 16:29:39.503844
- Title: Uncertainty Quantification in Seismic Inversion Through Integrated Importance Sampling and Ensemble Methods
- Title（参考訳）: 統合震源サンプリングとアンサンブル法による地震インバージョンの不確かさの定量化
- Authors: Luping Qu, Mauricio Araya-Polo, Laurent Demanet,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.2530496464901106
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Seismic inversion is essential for geophysical exploration and geological assessment, but it is inherently subject to significant uncertainty. This uncertainty stems primarily from the limited information provided by observed seismic data, which is largely a result of constraints in data collection geometry. As a result, multiple plausible velocity models can often explain the same set of seismic observations. In deep learning-based seismic inversion, uncertainty arises from various sources, including data noise, neural network design and training, and inherent data limitations. This study introduces a novel approach to uncertainty quantification in seismic inversion by integrating ensemble methods with importance sampling. By leveraging ensemble approach in combination with importance sampling, we enhance the accuracy of uncertainty analysis while maintaining computational efficiency. The method involves initializing each model in the ensemble with different weights, introducing diversity in predictions and thereby improving the robustness and reliability of the inversion outcomes. Additionally, the use of importance sampling weights the contribution of each ensemble sample, allowing us to use a limited number of ensemble samples to obtain more accurate estimates of the posterior distribution. Our approach enables more precise quantification of uncertainty in velocity models derived from seismic data. By utilizing a limited number of ensemble samples, this method achieves an accurate and reliable assessment of uncertainty, ultimately providing greater confidence in seismic inversion results.
- Abstract（参考訳）: 地震の逆転は地質学的探査と地質学的評価に不可欠であるが、本質的には重大な不確実性にさらされている。
この不確実性は、主に観測された地震データによって提供される限られた情報に由来するが、これは主にデータ収集幾何学における制約の結果である。
その結果、複数の可視速度モデルは、しばしば同じ地震観測のセットを説明することができる。
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。
重要サンプリングと組み合わせてアンサンブルアプローチを活用することにより,計算効率を保ちながら不確実性解析の精度を向上させる。
この方法は、異なる重みでアンサンブル内の各モデルを初期化し、予測に多様性を導入し、それによって逆結果の堅牢性と信頼性を向上させる。
さらに, 各アンサンブル試料の寄与度を重み付けし, 少数のアンサンブル試料を用いて, 後方分布のより正確な推定値を得ることができた。
提案手法は, 地震データから得られた速度モデルにおける不確実性のより正確な定量化を可能にする。
限られた数のアンサンブルサンプルを利用することで、不確実性の正確かつ確実な評価を実現し、最終的に地震インバージョン結果の信頼性を高める。
関連論文リスト
- Uncertainty Quantification in Stereo Matching [61.73532883992135]
ステレオマッチングのための新しいフレームワークとその不確実性定量化を提案する。
我々は、不確実性と推定データの尺度としてベイズリスクを採用し、個別に不確実性をモデル化する。
我々は,不確実性の少ないデータポイントを選択することにより,予測精度を向上させるために不確実性手法を適用した。
論文 参考訳（メタデータ） (2024-12-24T23:28:20Z) - Uncertainty separation via ensemble quantile regression [23.667247644930708]
本稿では,不確実性推定と分離のための新しい,スケーラブルなフレームワークを提案する。
我々のフレームワークは大規模データセットにスケーラブルであり、合成ベンチマークで優れた性能を示す。
論文 参考訳（メタデータ） (2024-12-18T11:15:32Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Uncertainty Estimation in Instance Segmentation with Star-convex Shapes [4.197316670989004]
ディープニューラルネットワークベースのアルゴリズムは、しばしば不確実な信頼レベルを持つ誤った予測を示す。
本研究は,星形インスタンスの位置で空間的確実性を推定することの課題に対処する。
本研究は、個別の確実性スコアに対する分数的確実性推定を組み合わせることが効果的な戦略であることを示す。
論文 参考訳（メタデータ） (2023-09-19T10:49:33Z) - Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。
信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。
我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
論文 参考訳（メタデータ） (2023-06-01T11:52:58Z) - Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。
RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
論文 参考訳（メタデータ） (2023-02-28T13:17:56Z) - 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) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳（メタデータ） (2022-08-11T15:21:53Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2021-11-11T14:28:12Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z)
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。