論文の概要: Enhanced anomaly detection in well log data through the application of ensemble GANs

• arxiv url: http://arxiv.org/abs/2411.19875v1
• Date: Fri, 29 Nov 2024 17:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:21:24.873250
• Title: Enhanced anomaly detection in well log data through the application of ensemble GANs
• Title（参考訳）: アンサンブルGANを用いた井戸ログデータの異常検出の高速化
• Authors: Abdulrahman Al-Fakih, A. Koeshidayatullah, Tapan Mukerji, SanLinn I. Kaka,
• Abstract要約: GAN(Generative Adversarial Network)は,画像データセットのデータ分布のモデル化において大きな成功を収めている。 本研究では、アンサンブルGANフレームワークを拡張し、ウェルログデータの分布をキャプチャし、これらの分布の外側に落下する異常を検出する。
• 参考スコア（独自算出の注目度）: 2.392411404660863
• License:
• Abstract: Although generative adversarial networks (GANs) have shown significant success in modeling data distributions for image datasets, their application to structured or tabular data, such as well logs, remains relatively underexplored. This study extends the ensemble GANs (EGANs) framework to capture the distribution of well log data and detect anomalies that fall outside of these distributions. The proposed approach compares the performance of traditional methods, such as Gaussian mixture models (GMMs), with EGANs in detecting anomalies outside the expected data distributions. For the gamma ray (GR) dataset, EGANs achieved a precision of 0.62 and F1 score of 0.76, outperforming GMM's precision of 0.38 and F1 score of 0.54. Similarly, for travel time (DT), EGANs achieved a precision of 0.70 and F1 score of 0.79, surpassing GMM 0.56 and 0.71. In the neutron porosity (NPHI) dataset, EGANs recorded a precision of 0.53 and F1 score of 0.68, outshining GMM 0.47 and 0.61. For the bulk density (RHOB) dataset, EGANs achieved a precision of 0.52 and an F1 score of 0.67, slightly outperforming GMM, which yielded a precision of 0.50 and an F1 score of 0.65. This work's novelty lies in applying EGANs for well log data analysis, showcasing their ability to learn data patterns and identify anomalies that deviate from them. This approach offers more reliable anomaly detection compared to traditional methods like GMM. The findings highlight the potential of EGANs in enhancing anomaly detection for well log data, delivering significant implications for optimizing drilling strategies and reservoir management through more accurate, data-driven insights into subsurface characterization.
• Abstract（参考訳）: GAN(Generative Adversarial Network)は、画像データセットのデータ分散をモデル化する上で、大きな成功を収めている。 本研究は、アンサンブルGAN(EGAN)フレームワークを拡張し、ウェルログデータの分布をキャプチャし、これらの分布の外にある異常を検出する。 提案手法は,ガウス混合モデル (GMM) などの従来の手法と,予測データ分布外の異常を検出するEGANを比較した。 ガンマ線(GR)データセットでは、EGANsは精度0.62とF1スコア0.76を達成し、GMMの精度0.38とF1スコア0.54を上回った。 同様に、旅行時間(DT)では、EGANsの精度は0.70、F1のスコアは0.79で、GMM 0.56、0.71を上回った。 中性子ポロシティ(NPHI)データセットでは、EGANsの精度は0.53、F1のスコアは0.68で、GMM 0.47と0.61を上回った。 バルク密度(RHOB)データセットでは、EGANは精度0.52とF1スコア0.67を達成し、GMMをわずかに上回り、精度0.50とF1スコア0.65を得た。 この研究の斬新さは、ログデータ分析にEGANを適用し、データパターンを学習し、それらから逸脱する異常を識別する能力を示すことである。 このアプローチは、GMMのような従来の手法と比較して、より信頼性の高い異常検出を提供する。 この知見は、坑井掘削戦略の最適化や貯水池管理において、地下のキャラクタリゼーションに関するより正確でデータ駆動的な洞察を通じて、EGANが異常検出を強化する可能性を強調している。

関連論文リスト

• Agent-Based Uncertainty Awareness Improves Automated Radiology Report Labeling with an Open-Source Large Language Model [1.7064514726335305]
  クローン病患者のヘブライ語9,683例について検討した。 我々は不確実性を認識したプロンプトアンサンブルとエージェントに基づく決定モデルを導入した。
  論文  参考訳（メタデータ） (2025-02-02T16:57:03Z)
• Generative Lines Matching Models [2.6089354079273512]
  本研究では,2つの分布を補間する全直線に一致した新しい確率フローモデルを提案する。 その結果,LMMが生成する流れ場は時間的整合性に優れ,直線性スコアの優れた軌道が得られた。 全体として、LMMは確立されたベンチマークデータセット上で、最小限のNFEで最先端のFIDスコアを達成する。
  論文  参考訳（メタデータ） (2024-12-09T11:33:38Z)
• Well log data generation and imputation using sequence-based generative adversarial networks [2.229967308435903]
  健全なログデータにおけるギャップと不正確さは、貯水池の評価において重大な不確実性をもたらす可能性がある。 本研究では,ログデータ生成とインプットに特化して設計されたGAN(Sequence-based Generative Adversarial Network)を利用した新しいフレームワークを提案する。 実験により,空間系列解析における他の深層学習モデルと比較して,データのギャップを埋める際の精度が優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-01T07:50:34Z)
• SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。 スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• A Dataset Fusion Algorithm for Generalised Anomaly Detection in Homogeneous Periodic Time Series Datasets [0.0]
  データセットフュージョン(Dataset Fusion)とは、複数の同種データセットからの周期的な信号を単一のデータセットに融合するアルゴリズムである。 提案手法は,平均F1スコア0.879で従来の訓練方法よりも有意に優れていた。 その結果、トレーニングデータの6.25%しか使用せず、計算能力の93.7%削減に換算すると、パフォーマンスは4.04%低下することがわかった。
  論文  参考訳（メタデータ） (2023-05-14T16:24:09Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Learning to diagnose common thorax diseases on chest radiographs from radiology reports in Vietnamese [0.33598755777055367]
  ベトナムの放射線学報告から情報を抽出し,胸部X線(CXR)画像の正確なラベルを提供するデータ収集・アノテーションパイプラインを提案する。 このことは、ベトナムの放射線学者や臨床医が、国によって異なる可能性のある内因性診断カテゴリと密接に一致したデータに注釈を付けることで、ベトナムの放射線技師や臨床医に利益をもたらす可能性がある。
  論文  参考訳（メタデータ） (2022-09-11T06:06:03Z)
• On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
  ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。 いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。 我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-24T16:29:43Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Data Dependent Randomized Smoothing [127.34833801660233]
  データ依存フレームワークは、3つのランダムな平滑化アプローチにシームレスに組み込むことができます。 CIFAR10とImageNetで0.5の半径の最強ベースラインの認定精度よりも9%と6%の改善が得られています。
  論文  参考訳（メタデータ） (2020-12-08T10:53:11Z)
• SSMBA: Self-Supervised Manifold Based Data Augmentation for Improving Out-of-Domain Robustness [66.37077266814822]
  自然言語では、基礎となるデータ多様体に留まる新しい例を生成することは困難である。 本稿では,合成学習例を生成するためのデータ拡張手法であるSSMBAを紹介する。 3つのタスクと9つのデータセットにわたるベンチマークの実験では、SSMBAは既存のデータ拡張メソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-09-21T22:02:33Z)

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。