Оценка искусственного интеллекта в сейсмологии с учетом неопределенности
Evaluation of Seismic Artificial Intelligence with Uncertainty
2025-07-29
SCID: 54.1/jgu8jd6m
Discuss with AI
PhaseNetэффективность обучениянеопределённость производительностисейсмический искусственный интеллектопределение фаз сейсмических сигналов
Figures from the paper
Abstract (AI)
Искусственный интеллект преобразил сейсмологию благодаря моделям глубокого обучения (DLM), обученным для выполнения конкретных задач в рамках рабочих процессов. Однако по-прежнему отсутствуют надежные подходы к оценке и сравнению DLM. Для устранения этого пробела мы разработали методику оценки, которая одновременно учитывает два ключевых аспекта: неопределенность характеристик и эффективность обучения. Для учета этих аспектов мы тщательно формируем обучающую, валидационную и тестовую выборки с использованием метода кластеризации, адаптированного к сейсмическим данным, и реализуем расширенный план обучения, позволяющий разделить неопределенность характеристик, обусловленную стохастическими процессами обучения и случайной выборкой данных. Способность методики предотвращать вводящие в заблуждение утверждения о превосходстве моделей продемонстрирована при оценке PhaseNet (Zhu and Beroza, 2018) — популярной модели глубокого обучения для выделения фаз сейсмических сигналов — с использованием трех подходов к обучению. Наша методика помогает специалистам выбирать наилучшую модель для своей задачи и формировать реалистичные ожидания относительно ее характеристик путем явного анализа производительности модели и связанной с ней неопределенности при различных объемах обучающих данных.
Key Findings
1
Расширенный дизайн обучения разделяет неопределённость качества, вызванную стохастической оптимизацией, и неопределённость из-за случайной выборки данных.
2
Для учёта особенностей сейсмических данных обучающая, валидационная и тестовая выборки формируются с помощью кластеризации.
3
Оценка PhaseNet при трёх подходах к обучению показывает, что предложенная система предотвращает вводящие в заблуждение заявления о превосходстве моделей.
4
Система помогает выбирать модели и задавать ожидаемые показатели при разных объёмах обучающих данных посредством явного анализа неопределённости качества.
5
Предложена специализированная для сейсмических данных система оценки, одновременно учитывающая неопределённость качества моделей и эффективность обучения.
Research Object
сейсмические модели глубокого обучения (DLM), представленные, в частности, моделью PhaseNet
Research Subject
неопределённость производительности и эффективность обучения при тренировке и оценке сейсмических моделей глубокого обучения
Publication Details
Publication Date
2025-07-29
Journal
Publisher
ISSN
Cited by
8
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai8
Adam: метод стохастической оптимизации2014
Scikit-learn: машинное обучение на Python2012
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Scikit-learn: машинное обучение на Python2011
О возможностях и рисках фундаментальных моделей2021
Обзор неопределённости в глубоких нейронных сетях2023
Earthquake Transformer — модель глубокого обучения с механизмом внимания для одновременного обнаружения землетрясений и определения фаз2020
INSTANCE — итальянский сейсмический набор данных для машинного обучения2021