論文の概要: Feature-based Inversion of 2.5D Controlled Source Electromagnetic Data using Generative Priors

• arxiv url: http://arxiv.org/abs/2601.02145v1
• Date: Mon, 05 Jan 2026 14:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.172328
• Title: Feature-based Inversion of 2.5D Controlled Source Electromagnetic Data using Generative Priors
• Title（参考訳）: 生成優先度を用いた2.5D制御音源電磁データの特徴量に基づくインバージョン
• Authors: Hongyu Zhou, Haoran Sun, Rui Guo, Maokun Li, Fan Yang, Shenheng Xu,
• Abstract要約: 本研究では, 特徴量に基づく2.5D制御源電磁法(mCSEM)データインバージョンについて, 生成前駆体を用いた検討を行った。 導電率分布の事前情報のみを可変オートエンコーダ(VAE)で学習するプラグイン・アンド・プレイ方式を採用する。 数値実験およびフィールド実験により,提案手法は事前情報を効果的に取り入れ,再現精度を向上し,優れた一般化性能を示すことを示した。
• 参考スコア（独自算出の注目度）: 44.090837880190115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we investigate feature-based 2.5D controlled source marine electromagnetic (mCSEM) data inversion using generative priors. Two-and-half dimensional modeling using finite difference method (FDM) is adopted to compute the response of horizontal electric dipole (HED) excitation. Rather than using a neural network to approximate the entire inverse mapping in a black-box manner, we adopt a plug-andplay strategy in which a variational autoencoder (VAE) is used solely to learn prior information on conductivity distributions. During the inversion process, the conductivity model is iteratively updated using the Gauss Newton method, while the model space is constrained by projections onto the learned VAE decoder. This framework preserves explicit control over data misfit and enables flexible adaptation to different survey configurations. Numerical and field experiments demonstrate that the proposed approach effectively incorporates prior information, improves reconstruction accuracy, and exhibits good generalization performance.
• Abstract（参考訳）: 本研究では, 特徴量に基づく2.5D制御源電磁法(mCSEM)データインバージョンについて, 生成前駆体を用いた検討を行った。 水平電気双極子(HED)励起の応答を計算するために有限差分法(FDM)を用いた2次元・半次元モデリングを採用する。 ニューラルネットワークを用いて逆マッピング全体をブラックボックス方式で近似するのではなく、可変オートエンコーダ(VAE)を用いて導電率分布の事前情報のみを学習するプラグアンドプレイ方式を採用する。 反転過程において、導電性モデルはガウスニュートン法を用いて反復的に更新され、モデル空間は学習されたVAEデコーダへの射影によって制約される。 このフレームワークは、データ不適合を明示的に制御し、異なる調査構成への柔軟な適応を可能にする。 数値およびフィールド実験により,提案手法は事前情報を効果的に取り入れ,再現精度を向上し,優れた一般化性能を示すことを示した。

関連論文リスト

• Improving Out-of-Distribution Detection via Dynamic Covariance Calibration [12.001290283557466]
  アウト・オブ・ディストリビューション(OOD)検出は、AIシステムの信頼性に不可欠である。 我々は, 従来の形状を動的に調整することにより, 分散されていない試料の影響を補正することができると論じる。 提案手法は, 各種モデル間のOOD検出を著しく向上させる。
  論文  参考訳（メタデータ） (2025-06-11T05:05:26Z)
• GP-FL: Model-Based Hessian Estimation for Second-Order Over-the-Air Federated Learning [52.295563400314094]
  2次法は学習アルゴリズムの収束率を改善するために広く採用されている。 本稿では,無線チャネルに適した新しい2次FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-05T04:27:41Z)
• Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models [16.91835461818938]
  本稿では,物理で導かれる新しい深部非教師付き逆変換アルゴリズムを提案し,MTモデルについて検討する。 本手法では,観測データと各モデルのデータセットをトレーニング中にラベルとして使用する代わりに,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。
  論文  参考訳（メタデータ） (2024-10-20T04:17:59Z)
• 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)
• Variational Laplace Autoencoders [53.08170674326728]
  変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。 完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。 また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
  論文  参考訳（メタデータ） (2022-11-30T18:59:27Z)

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。