論文の概要: CoGameReg: Cooperative-Game-Based Collaborative Semi-Supervised Regression for Seismic Reservoir Property Prediction

• arxiv url: http://arxiv.org/abs/2610.12884v1
• Date: Fri, 09 Oct 2026 02:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.352988
• Title: CoGameReg: Cooperative-Game-Based Collaborative Semi-Supervised Regression for Seismic Reservoir Property Prediction
• Title（参考訳）: CoGameReg: 地震時貯留層特性予測のための協調ゲーム型半監督型回帰
• Abstract要約: CoGameRegは、協調ゲームベースの半教師付き回帰フレームワークである。 これは異種回帰器の寄与重み付き予測を用いて共有擬似ラベルを構築する。 我々は,10のパブリック回帰データセット,合成3次元P波速度予測タスク,フィールド水飽和アプリケーション上でのCoGameRegを評価する。
• 参考スコア（独自算出の注目度）: 6.051914259378137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate estimation of reservoir properties from seismic data remains challenging when well-log labels are sparse but three-dimensional seismic observations are abundant. We present CoGameReg, a cooperative-game-based semi-supervised regression framework that uses contribution-weighted predictions of heterogeneous regressors to construct shared pseudo-labels. This design makes each regressor's influence explicit in the learning targets generated for unlabeled seismic samples under sparse well control. The Tri-Game Shapley mechanism combines a rank-MSE performance game with a pairwise consistency game to estimate nonnegative regressor weights from labeled training data. These weights remain fixed during collaborative training and are reused for final prediction fusion. Candidate pseudo-labels are screened using a common local k-nearest-neighbor error-reduction criterion before retraining. We evaluate CoGameReg on 10 public regression datasets, a synthetic three-dimensional P-wave velocity prediction task, and a field water-saturation application. The benchmark advantage is most pronounced at the 2.5% labeled-data ratio and decreases as supervision increases. CoGameReg obtains the best blind-well metrics in the synthetic experiment. In the field application, predictions clipped to 0-100% yield a pooled coefficient of determination of 0.5942, a root mean square error of 5.7441 percentage points, and a Pearson correlation of 0.8265 across three blind wells. CoGameReg has the highest Pearson correlation among the four field methods. The results support the use of CoGameReg to integrate sparse well labels with dense seismic attributes, with performance varying across metrics and well locations.
• Abstract（参考訳）: また,3次元地震観測が豊富であり,ラベルが粗い場合,地震データからの貯留特性の正確な推定は困難である。 共謀ゲームに基づく半教師付き回帰フレームワークであるCoGameRegは、異種回帰器の寄与重み付き予測を用いて共有擬似ラベルを構築する。 この設計により、未ラベルの地震サンプルをスパースウェルコントロール下で生成した学習目標に対して、各回帰器の影響を明確にすることができる。 Tri-Game Shapley機構は、ランク-MSEパフォーマンスゲームとペアの整合性ゲームを組み合わせて、ラベル付きトレーニングデータから非負の回帰重みを推定する。 これらの重量は、共同訓練中に固定され、最終的な予測融合のために再利用される。 候補の擬似ラベルは、トレーニング前に、一般的なローカルk-nearest-neighborエラー削除基準を用いてスクリーニングされる。 我々は,10のパブリック回帰データセット,合成3次元P波速度予測タスク,フィールド水飽和アプリケーション上でのCoGameRegを評価する。 ベンチマークの利点は2.5%のラベル付きデータ比で最も顕著であり、監督が増加するにつれて減少する。 CoGameRegは、合成実験で最高のブラインドウェルメトリクスを得る。 フィールド応用では,0-100%にクリップされた予測値から0.5942のプール係数,5.7441の平方点の平均誤差,および3つの盲穴におけるピアソン相関係数が0.8265となる。 CoGameRegは4つのフィールド法の中で最もPearson相関が高い。 結果は、CoGameRegを使用して、スパースウェルラベルと密度の強い地震特性を統合することをサポートし、メトリクスや井戸の場所によってパフォーマンスが変化する。

関連論文リスト

• ScalarLens: Numerical Embeddings with Stable Coordinates and Contextual Responses for CTR Prediction [9.015098165449276]
  ScalarLensを紹介します。これは数値埋め込みで、どのように解釈されるべきかを適用しながら、値が何かを保存するものです。 19の表現、3つのデータセット、9つのバックボーン、3つのシードを含む1,539回の一次評価において、ScalarLensは、オリジナルの数値スケールで27のセットのうち25にランクインしている。
  論文  参考訳（メタデータ） (2026-09-24T07:54:15Z)
• UO-FIE: Combining Exact-Label Supervision with Graded Utility for Factivity Inference [0.0]
  アクティビティ推論評価2026(FIE2026)は、中国の文脈と仮説のペアを9つの順序の事実区間に分類する。 UO-FIE(Utility-Oriented F Activity Inference)は、正確なラベル管理とグレードユーティリティを組み合わせたパラメータ効率の高いシステムである。
  論文  参考訳（メタデータ） (2026-09-23T16:24:57Z)
• When a High Score Is an Illusion: Certifying Genuine versus Repackaged Forecasting Skill [0.6372261626436676]
  特定人口階級のコントラストの関連性を維持する課題を特徴付ける。 北京の大気質アーカイブでは、7つの学習した予測の共有スコアのうち、91.4%から94.5%の相互作用が報告されている。
  論文  参考訳（メタデータ） (2026-09-16T13:51:41Z)
• GramLoop: Training-Free Gram-Gated Replay for Robust Dense Prediction [13.43479682921888]
  GramLoopはトレーニング不要のフレームワークで、短いトランスフォーマーウィンドウをリプレイし、最終層コサインとGramの一貫性によって各リプレイを制御する。 これは、ペア化されたDINOv3ベースラインで5つのシフトベンチマークをすべて改善する。
  論文  参考訳（メタデータ） (2026-08-29T07:52:43Z)
• When Individually Calibrated Models Become Collectively Miscalibrated [3.556355987197792]
  本研究では,個別に調整した予測器が戦略的に相互作用した場合に集団的に誤判定されることを示す。 正の相関関係を持つブライアスコアに基づくアグリゲーションでは、各エージェントの個別に最適なレポートは、正のクラス確率を体系的に過小評価する。 対照的に、VCGベースのアグリゲーションは、限界貢献に報いることでインセンティブを調整し、支配的な戦略的なインセンティブ互換性とほぼ最適のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T05:25:16Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• SiamRCR: Reciprocal Classification and Regression for Visual Object Tracking [47.647615772027606]
  そこで我々は,SiamRCRと呼ばれる新しいサイムズ追跡アルゴリズムを提案し,この問題をシンプルで軽量で効果的な解で解決する。 分類と回帰枝の間の相互リンクを構築し、各正のサンプルに対する損失を動的に再重み付けすることができる。 さらに、位置推定の精度を予測するために、位置推定ブランチを追加し、推論中に回帰補助リンクの置換として機能できるようにします。
  論文  参考訳（メタデータ） (2021-05-24T12:21:25Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。