論文の概要: DeepWaveRL: Self-Supervised Full Waveform Inversion via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2611.03264v1
- Date: Mon, 02 Nov 2026 15:10:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 05:27:56.750008
- Title: DeepWaveRL: Self-Supervised Full Waveform Inversion via Reinforcement Learning
- Title（参考訳）: DeepWaveRL:強化学習による自己改善フルウェーブフォームインバージョン
- Abstract要約: フルウェーブフォーム・インバージョン(Full Waveform Inversion)は、地震観測から速度などの地下特性を推定する地球物理学における基本的な逆問題である。
近年、フォワード演算子を利用して予測から地震データをシミュレートすることで、学習中の地中構造速度マップの必要性を除去する自己教師付き学習手法が提案されている。
本研究では,そのような勾配にアクセスせずに,より困難な設定を考える。
自己教師型FWIに強化学習を導入し,DeepWaveRLというフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 23.743107963248036
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Full Waveform Inversion (FWI) is a fundamental inverse problem in geophysics to estimate subsurface properties, such as velocity, from seismic measurements. Recently, self-supervised learning methods remove the need for ground-truth velocity maps during training by leveraging a forward operator to simulate seismic data from predictions and backpropagate the gradients of reconstruction loss through it. In this work, we consider a more challenging setting without accessing such gradients. To this end, we incorporate reinforcement learning into self-supervised FWI and propose a framework named DeepWaveRL. Specifically, we reformulate FWI as a policy learning problem, where the policy network predicts velocity maps as actions, and a forward operator is used solely for simulation. A global scalar reward is computed based on data misfit for each prediction and used to weight policy gradients. Thus, learning proceeds without accessing the gradients from the forward operator. Given the indirect and coarse supervision signals, we further identify key strategies to stabilize learning and mitigate the spatial credit assignment bottleneck. Experimental results show that, despite relying entirely on a single scalar reward, DeepWaveRL achieves competitive performance compared to supervised and self-supervised baselines. These findings suggest that our framework offers a flexible and complementary learning paradigm for the FWI research community.
- Abstract（参考訳）: フルウェーブフォーム・インバージョン(Full Waveform Inversion、FWI)は、地震観測から速度などの地下特性を推定する地球物理学における基本的な逆問題である。
近年, 自己教師型学習法では, フォワード演算子を用いて予測から地震データをシミュレートし, 復元損失の勾配を逆伝播することにより, トレーニング中の地中構造速度マップの必要性を排除している。
本研究では,そのような勾配にアクセスせずに,より困難な設定を考える。
そこで我々は,自己教師型FWIに強化学習を取り入れ,DeepWaveRLというフレームワークを提案する。
具体的には、FWIを政策学習問題として再構成し、政策ネットワークは速度マップを行動として予測し、フォワード演算子はシミュレーションにのみ使用される。
グローバルスカラー報酬は、各予測に適合しないデータに基づいて計算され、ポリシー勾配の重み付けに使用される。
したがって、学習はフォワード演算子から勾配にアクセスすることなく進行する。
間接的かつ粗い監視信号から、学習を安定させ、空間的信用割当ボトルネックを軽減するための重要な戦略を更に特定する。
実験の結果,DeepWaveRLは1つのスカラー報酬に完全に依存しているにも関わらず,教師付きベースラインや自己教師付きベースラインに比べて競争性能が向上していることがわかった。
これらの結果は,本フレームワークがFWI研究コミュニティに柔軟かつ補完的な学習パラダイムを提供することを示している。
関連論文リスト
- 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) - SPEAR++: Scaling Gradient Inversion via Sparsely-Used Dictionary Learning [48.41770886055744]
Federated Learningは最近、現実世界のシナリオへのデプロイが増えている。
いわゆる勾配反転攻撃の導入は、プライバシー保護特性に挑戦している。
本稿では,ReLU活性化を伴う線形層の勾配の理論的解析に基づくSPEARを紹介する。
新たな攻撃であるSPEAR++は、DPノイズに対する堅牢性やFedAvgアグリゲーションなど、SPEARの望ましい特性をすべて保持しています。
論文 参考訳（メタデータ） (2025-10-28T09:06:19Z) - Leveraging Deep Operator Networks (DeepONet) for Acoustic Full Waveform Inversion (FWI) [2.3036557956750867]
フルウェーブフォーム・インバージョン(FWI)は地下特性予測において重要な手法である。
FWIは、地震データから高解像度の地球内部モデルを予測する逆問題を解決する。
本研究では,Deep Operator Networks (DeepONet) を利用してFWIの効率性と精度を向上させる手法を提案する。
論文 参考訳（メタデータ） (2025-04-14T21:24:43Z) - Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。
EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。
本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
論文 参考訳（メタデータ） (2025-04-09T15:13:26Z) - PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。
異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。
ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
論文 参考訳（メタデータ） (2025-02-17T15:30:17Z) - DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。
DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
論文 参考訳（メタデータ） (2025-01-08T09:08:24Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and
Partial Differential Equation in a Loop [13.1144828613672]
フルウェーブフォーム・インバージョン(FWI)は、地震データから地下の速度マップを推定するために地球物理学で広く用いられている。
我々は、コミュニティにとってより困難なベンチマークを確立するために、新しい大規模データセットOpenFWIを紹介します。
実験結果から,我々のモデル(地震データのみを用いた)は,教師付きモデルと同等の精度が得られることがわかった。
論文 参考訳（メタデータ） (2021-10-14T17:47:22Z)
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。