深度学习与浅层学习:低震级地震检测中的基准研究
机器学习
2022-05-03 v1 计算机视觉与模式识别
地球物理
摘要
尽管深度学习模型近年来在地球科学中受到高度采用,并且因其能从最小预处理输入数据中学习而颇具吸引力,但作为黑箱模型,它们无法提供理解决策过程的简便手段,这在安全关键任务中尤其成问题。另一种途径是使用更简单、更透明的白箱模型,其中任务特定的特征构建取代了深度学习模型内自动执行的更不透明的特征发现过程。利用来自荷兰格罗宁根气田的数据,我们在现有逻辑回归模型基础上,通过在catch22时间序列分析包中使用弹性网络驱动的数据挖掘发现了四个进一步特征并加以添加。然后,我们在逐渐增大的噪信比下,评估增强逻辑回归模型相对于在格罗宁根数据上预训练的深度(CNN)模型的性能。我们发现,对于每个噪信比,我们的逻辑回归模型都正确检测到每一次地震,而深度模型未能检测到近20%的地震事件,从而证明至少在应用深度模型时应保持一定程度的谨慎,尤其对于具有更高噪信比的数据。
引用
@article{arxiv.2205.00525,
title = {Deep vs. Shallow Learning: A Benchmark Study in Low Magnitude Earthquake Detection},
author = {Akshat Goel and Denise Gorse},
journal= {arXiv preprint arXiv:2205.00525},
year = {2022}
}