用于确定认知不确定性与偶然不确定性的双神经网络架构
信号处理
2019-10-15 v1 机器学习
机器学习
摘要
深度学习技术已被证明对各种分类和回归问题极为有效，但量化其预测的不确定性并将其分离为认知与偶然分量仍被认为具有挑战性。在油气勘探项目中，由地震、声波、磁共振、电阻率、介电和/或核传感器组成的工具被下入井眼以探测地球的岩石和流体性质。这些工具的测量数据用于建立储层模型，随后用于烃类产量估算与优化。机器学习算法常用于从测量的井下数据估算岩石和流体性质。量化这些性质的不确定性对于岩石和流体评价以及后续的储层优化和生产决策至关重要。这些机器学习算法通常在“地面真值”或岩心数据库上训练。在将这些算法应用于现场数据的推理阶段，机器学习算法必须标记出模型未训练过的新地质带来的分布外数据，这一点至关重要。对由工具与地质条件组合引起的特征空间中的异方差偶然噪声保持敏感也极为重要。理解不确定性来源并加以降低，是设计智能工具与应用（如用于勘探和油田开发的自动化测井解释成果产品）的关键。本文描述了一种由贝叶斯神经网络（BNN）与人工神经网络（ANN）组合构成的双网络系统方法，以应对地球物理应用中的这一挑战。
引用
@article{arxiv.1910.06153,
title = {Dual Neural Network Architecture for Determining Epistemic and Aleatoric Uncertainties},
author = {Augustin Prado and Ravinath Kausik and Lalitha Venkataramanan},
journal= {arXiv preprint arXiv:1910.06153},
year = {2019}
}