Оценка искусственного интеллекта в сейсмологии с учетом неопределенности

Evaluation of Seismic Artificial Intelligence with Uncertainty
Dave Higdon, Nidhi Parikh, Samuel Myren, Rosalyn Rael, Garrison S. Flynn, Emily Casleton
2025-07-29

PhaseNetэффективность обучениянеопределённость производительностисейсмический искусственный интеллектопределение фаз сейсмических сигналов
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.
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.

сейсмические модели глубокого обучения (DLM), представленные, в частности, моделью PhaseNet

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
Access Type
Author Information
Authors
Dave Higdon
Nidhi Parikh
Samuel Myren
Rosalyn Rael
Garrison S. Flynn
Emily Casleton
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%