論文の概要: Inversion of Magnetic Data using Learned Dictionaries and Scale Space
- arxiv url: http://arxiv.org/abs/2502.05451v2
- Date: Sun, 23 Feb 2025 05:19:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:48:45.044936
- Title: Inversion of Magnetic Data using Learned Dictionaries and Scale Space
- Title（参考訳）: 学習辞書とスケール空間を用いた磁気データのインバージョン
- Authors: Shadab Ahamed, Simon Ghyselincks, Pablo Chang Huang Arias, Julian Kloiber, Yasin Ranjbar, Jingrong Tang, Niloufar Zakariaei, Eldad Haber,
- Abstract要約: 磁気データインバージョンは地球物理学において重要なツールであり、表面磁場測定から地表面の磁化率分布を推定するために用いられる。
従来の反転アプローチは、解を安定化させるために事前に定義された正則化技術に依存している。
本稿では,これらの課題に対処するために,可変辞書学習とスケールスペース手法を統合するアプローチを提案する。
- 参考スコア（独自算出の注目度）: 2.755417230811201
- License:
- Abstract: Magnetic data inversion is an important tool in geophysics, used to infer subsurface magnetic susceptibility distributions from surface magnetic field measurements. This inverse problem is inherently ill-posed, characterized by non-unique solutions, depth ambiguity, and sensitivity to noise. Traditional inversion approaches rely on predefined regularization techniques to stabilize solutions, limiting their adaptability to complex or diverse geological scenarios. In this study, we propose an approach that integrates variable dictionary learning and scale-space methods to address these challenges. Our method employs learned dictionaries, allowing for adaptive representation of complex subsurface features that are difficult to capture with predefined bases. Additionally, we extend classical variational inversion by incorporating multi-scale representations through a scale-space framework, enabling the progressive introduction of structural detail while mitigating overfitting. We implement both fixed and dynamic dictionary learning techniques, with the latter introducing iteration-dependent dictionaries for enhanced flexibility. Using a synthetic dataset to simulate geological scenarios, we demonstrate significant improvements in reconstruction accuracy and robustness compared to conventional variational and dictionary-based methods. Our results highlight the potential of learned dictionaries, especially when coupled with scale-space dynamics, to improve model recovery and noise handling. These findings underscore the promise of our data-driven approach for advance magnetic data inversion and its applications in geophysical exploration, environmental assessment, and mineral prospecting. The code is publicly available at: https://github.com/ahxmeds/magnetic-inversion-dictionary.git.
- Abstract（参考訳）: 磁気データインバージョンは地球物理学において重要なツールであり、表面磁場測定から地表面の磁化率分布を推定するために用いられる。
この逆問題は本質的に不適切であり、非一様解、深さの曖昧さ、ノイズに対する感度が特徴である。
従来のインバージョンアプローチは、ソリューションを安定化するために事前に定義された正規化技術に依存しており、それらの適応性は複雑な、あるいは多様な地質学的シナリオに制限される。
本研究では,これらの課題に対処するために,変数辞書学習とスケールスペース手法を統合するアプローチを提案する。
本手法では, 学習辞書を用いて, 既定ベースで捕捉し難い複雑な地下特徴を適応的に表現する。
さらに,マルチスケール表現をスケールスペースのフレームワークを通じて組み込むことにより,古典的変分反転を拡張し,過度な適合を緩和しながら構造的詳細を段階的に導入する。
固定辞書学習技術と動的辞書学習技術の両方を実装し、後者は柔軟性を向上させるために反復依存辞書を導入した。
地質学的シナリオをシミュレートするための合成データセットを用いて,従来の変分法や辞書法と比較して,復元精度とロバスト性が大きく向上したことを示す。
この結果から,学習辞書,特にスケール空間力学と組み合わせることで,モデル回復とノイズハンドリングの改善が期待できる。
これらの知見は、先進的な磁気データインバージョンのためのデータ駆動アプローチの約束と、地球物理探査、環境アセスメント、鉱物探査への応用を裏付けるものである。
コードは、https://github.com/ahxmeds/magnetic-inversion-dictionary.git.comで公開されている。
関連論文リスト
- Fast data inversion for high-dimensional dynamical systems from noisy measurements [10.060455365145106]
我々は高次元力学系に対するフレキシブル潜在因子モデルのためのスケーラブルなアプローチを開発する。
カスカディア地域の測地学的な観測に本手法を適用することにより, 地震の地震観測データと独立に一致したスリップの推定値が得られた。
論文 参考訳（メタデータ） (2025-01-02T16:25:57Z) - Optimal Transport-Based Displacement Interpolation with Data Augmentation for Reduced Order Modeling of Nonlinear Dynamical Systems [0.0]
本稿では,複雑なシステムにおける非線形力学の表現を強化するために,最適輸送理論と変位を利用した新しいリダクション・オーダー・モデル(ROM)を提案する。
複雑なシステム挙動の予測における精度と効率の向上を示し、計算物理学や工学における幅広い応用の可能性を示している。
論文 参考訳（メタデータ） (2024-11-13T16:29:33Z) - You are out of context! [0.0]
新しいデータは、モデルによって学習された幾何学的関係を伸ばしたり、圧縮したり、ねじったりする力として振る舞うことができる。
本稿では,ベクトル空間表現における「変形」の概念に基づく機械学習モデルのための新しいドリフト検出手法を提案する。
論文 参考訳（メタデータ） (2024-11-04T10:17:43Z) - Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image
Compression [63.56922682378755]
本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。
提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。
実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
論文 参考訳（メタデータ） (2023-08-17T01:34:51Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳（メタデータ） (2023-04-20T19:15:02Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Mitigation of Spatial Nonstationarity with Vision Transformers [1.690637178959708]
深層学習モデル予測性能に対する2種類の測地的空間非定常性の影響を示す。
本稿では,自己注意モデル(ビジョン・トランスフォーマー)を用いて,そのような影響の緩和を提案する。
論文 参考訳（メタデータ） (2022-12-09T02:16:05Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Stochastic embeddings of dynamical phenomena through variational
autoencoders [1.7205106391379026]
位相空間の再構成において,観測空間の次元性を高めるために認識ネットワークを用いる。
我々の検証は、このアプローチが元の状態空間に類似した状態空間を復元するだけでなく、新しい時系列を合成できることを示している。
論文 参考訳（メタデータ） (2020-10-13T10:10:24Z)
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。