Байесовская оценка неопределенности при обращении электромагнитных данных с использованием глубокого обучения
Bayesian Uncertainty Estimation for Deep Learning Inversion of Electromagnetic Data
2021-04-22
SCID: 54.1/ehsfdrah
Discuss with AI
байесовская оценка неопределенностиинверсия на основе глубокого обученияэлектромагнитные данныеэпистемическая и алеаторная неопределенностиобнаружение данных вне распределения
Figures from the paper
Abstract (AI)
В связи с недавним прогрессом в области глубокого обучения (DL) широкое распространение получило обращение данных с использованием DL — реконструкция физических свойств недр по геофизическим данным методами глубокого обучения. Для принятия решений и управления рисками, связанными с применением такого обращения, необходимо оценивать надежность прогнозов; это можно делать посредством оценки неопределенности. Однако в большинстве геофизических исследований основное внимание уделяется детерминированному прогнозированию, не обеспечивающему оценку неопределенности. В настоящем сообщении предложен практический метод оценки неопределенности на основе байесовского подхода для обращения электромагнитных данных с использованием глубокого обучения. В частности, итеративное оценивание с помощью сверточной нейронной сети с прореживанием позволяет получать модель удельного электрического сопротивления, а также эпистемическую и алеаторную неопределенности. Численные эксперименты показали, что алеаторная неопределенность отражает неединственность обратной задачи, указывая, какие части модели удельного электрического сопротивления менее чувствительны к данным. Кроме того, предложен эмпирический критерий определения того, насколько новые данные сходны с обучающими, на основе оцененных эпистемической и алеаторной неопределенностей. С использованием этого критерия были выявлены данные, не принадлежащие распределению обучающей выборки; для них наблюдалось большее невязочное расхождение с данными, что свидетельствует о ненадежности прогнозов. Применимость оценки неопределенности и эмпирического критерия, выведенного из неопределенностей, была продемонстрирована на полевых данных. Байесовская оценка неопределенности и предложенный здесь критерий могут способствовать получению более надежных прогнозов при обращении данных с использованием глубокого обучения.
Key Findings
1
Байесовский подход с итеративным применением отсева в сверточной нейронной сети одновременно оценивает модели удельного сопротивления, эпистемическую и алеаторную неопределенности при инверсии электромагнитных данных.
2
Алеаторная неопределенность отражает неоднозначность обратной задачи, выявляя области модели удельного сопротивления, менее чувствительные к наблюдаемым данным.
3
Предложенный эмпирический критерий на основе эпистемической и алеаторной неопределенностей выявляет данные, распределение которых отличается от обучающей выборки.
4
Данные вне распределения характеризуются большим невязкой данных, что указывает на потенциальную ненадежность прогнозов глубокой нейронной сети.
5
Метод оценки неопределенности и эмпирический критерий продемонстрированы на численных и полевых электромагнитных данных, что способствует более надежной интерпретации инверсии.
Research Object
инверсия электромагнитных геофизических данных методами глубокого обучения для реконструкции модели удельного электрического сопротивления недр
Research Subject
байесовская оценка эпистемической и алеаторной неопределённостей, включая надёжность прогнозов, неединственность обратной задачи и выявление данных вне распределения
Publication Details
Publication Date
2021-04-22
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest