論文の概要: Deep Learning in Seismic Interpretation: Federated Advances in Salt Dome Segmentation
- arxiv url: http://arxiv.org/abs/2606.14905v1
- Date: Fri, 12 Jun 2026 19:12:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:32.45022
- Title: Deep Learning in Seismic Interpretation: Federated Advances in Salt Dome Segmentation
- Title（参考訳）: 地震解釈における深層学習 : 塩ドームセグメンテーションにおけるフェデレーションの進歩
- Authors: Muhammad Zain Mehdi, Muhammad Zaid, Owais Aleem,
- Abstract要約: 塩ドームのデライン化は、地下の地質学的解釈において重要な、高影響の課題である。
本稿では,フェデレート学習フレームワークであるFedSaltNetを紹介した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Salt-dome delineation is a critical, high-impact task in subsurface geological interpretation, driving decisions in hydrocarbon exploration, reservoir modeling, and drilling safety. While convolutional encoder-decoder architectures have delivered significant improvements in automated salt segmentation, their widespread application is severely limited by data sovereignty concerns, dataset bias, and the scarcity of labeled seismic volumes. This paper introduces FedSaltNet, a Federated Learning (FL) framework explicitly engineered for robust, generalizable, and privacy preserving salt-dome segmentation. We couple a lightweight Small U-Net backbone, chosen for its efficiency and regularization properties with a novel Foreground-Weighted (FG-WEIGHTED) aggregation strategy designed to tackle domain-specific class imbalance. Through an extensive comparative study emulating non-IID conditions across four diverse seismic datasets (TGS, SEAM, F3, GBS), we demonstrate two critical findings: The FG-WEIGHTED algorithm effectively mitigates data heterogeneity, yielding a 4.0% relative improvement in Intersection over Union (IoU) over the best conventional FL method. The simple U-Net architecture proved essential, outperforming the higher capacity ResNet-18 U-Net variant by 166% in average IoU, underscoring the necessity of architectural simplicity in data-constrained federated environments. FedSaltNet provides a validated, high-performance solution that establishes the viability of federated deep learning for collaborative, next-generation subsurface interpretation.
- Abstract（参考訳）: 塩-ドームのデライン化は、地下の地質学的解釈、炭化水素探査、貯水池のモデリング、掘削安全における決定における決定において、重要かつ高インパクトな作業である。
畳み込みエンコーダ・デコーダアーキテクチャは、自動的なソルトセグメンテーションにおいて大幅に改善されているが、その広範な応用は、データ主権の懸念、データセットバイアス、ラベル付き地震ボリュームの不足によって著しく制限されている。
本稿では,フェデレートラーニング(FL)フレームワークであるFedSaltNetを紹介する。
我々は、ドメイン固有のクラス不均衡に対処するために設計された新しいFG-Weighted(FG-Weighted)アグリゲーション戦略を用いて、その効率性と正規化特性のために選択された軽量なSmall U-Netバックボーンを結合する。
4つの多様な地震データ(TGS, SEAM, F3, GBS)で非IID条件をエミュレートする広範囲な研究を通じて、FG-WEIGHTEDアルゴリズムはデータの不均一性を効果的に緩和し、従来のFL法に比べて4.0%の相対的な改善をもたらすという2つの重要な結果を示した。
単純なU-Netアーキテクチャは、データ制約されたフェデレーション環境においてアーキテクチャの単純さの必要性を強調し、より高い容量のResNet-18 U-Netを平均166%向上させた。
FedSaltNetは、協調的で次世代の地下解釈のためのフェデレーション深層学習の実現性を確立する、検証済みで高性能なソリューションを提供する。
関連論文リスト
- The Impact of Federated Learning on Distributed Remote Sensing Archives [0.5833117322405447]
地球観測ミッションでは5ペタバイト以上の画像が蓄積され、多くの地理的に分散したプラットフォームに格納され、処理されている。
中央集権的な方法で機械学習モデルをトレーニングすることは、データボリューム、主権の制約、地理的分布のために現実的ではない。
フェデレートラーニング(FL)は、データをローカルに保持し、モデル更新のみを交換することで、この問題に対処する。
論文 参考訳（メタデータ） (2026-04-13T14:46:20Z) - Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。
近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。
我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
論文 参考訳（メタデータ） (2026-04-01T14:32:15Z) - SCOPE: Semantic Coreset with Orthogonal Projection Embeddings for Federated learning [0.7799711162530713]
現在のMLアプローチでは、非現実的なデータアグリゲーションを必要とするか、クラス不均衡のため失敗する。
SCOPEは,異常をフィルタし,冗長なデータを長期スキューに適応させる,フェデレートされたデータのためのコアセットフレームワークである。
SCOPEは、アップリンク帯域幅を128倍から512倍に削減しながら、競争力のあるグローバル精度と堅牢な収束をもたらす。
論文 参考訳（メタデータ） (2026-03-13T13:24:12Z) - A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。
DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。
本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-23T16:12:02Z) - Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。
この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
論文 参考訳（メタデータ） (2026-01-12T05:43:20Z) - Hybrid Context-Fusion Attention (CFA) U-Net and Clustering for Robust Seismic Horizon Interpretation [1.8627637926778255]
本稿では,高度U-Net変種と空間クラスタリングを統合し,地平線連続性と幾何学的忠実度を向上させるハイブリッドフレームワークを提案する。
このフレームワークは、メキシルハオフィールド(ブラジルのサントス盆地)のデータセットに0.881と2.49msの検証IoUと2.49msのMAEの検証を行い、北海のデータセットのF3ブロックでは97.6%の優れた表面カバレッジを実現している。
論文 参考訳（メタデータ） (2025-11-28T20:14:53Z) - Subgraph Federated Learning via Spectral Methods [52.40322201034717]
FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。
我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
論文 参考訳（メタデータ） (2025-10-29T16:22:32Z) - H-FedSN: Personalized Sparse Networks for Efficient and Accurate Hierarchical Federated Learning for IoT Applications [9.584696468209565]
実用的なIoT環境のための革新的なアプローチとして,H-FedSNを提案する。
H-FedSNでは、通信オーバーヘッドを低減するために、共有層とパーソナライズ層を備えたバイナリマスク機構が導入されている。
H-FedSN は HierFAVG と比較して通信コストを 58 倍から 238 倍に削減する。
論文 参考訳（メタデータ） (2024-12-09T05:05:47Z) - TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。
PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。
一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
論文 参考訳（メタデータ） (2024-10-14T14:58:30Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z)
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。