样本遗忘：一种解释与解读地震解释中深度神经网络的新方法
机器学习
2023-03-01 v1
摘要
近年来，深度神经网络对地震解释流程产生了显著影响。由于实现简单且解释成本低，深度神经网络成为常见解释流程中颇具吸引力的组成部分。然而，神经网络经常遭遇不信任，因为当暴露于模型未训练过的剖面时，其会产生语义不正确的输出。我们通过解释模型行为并利用样本遗忘改善泛化特性来解决此问题：首先，我们提出一种方法，将语义失效的预测有效关联到神经网络表示流形中相应的位置。更具体地，我们的方法追踪模型在训练过程中如何“遗忘”地震反射，并建立其与目标类决策边界邻近性的联系。其次，我们利用分析技术识别训练体内容易遗忘的区域，并使用计算机视觉中最先进的风格迁移技术扩充训练集。我们表明，该方法在代表性不足类别上提升了分割性能，同时显著减少了荷兰 F3 体中的遗忘区域。
引用
@article{arxiv.2302.14644,
title = {Example Forgetting: A Novel Approach to Explain and Interpret Deep Neural Networks in Seismic Interpretation},
author = {Ryan Benkert and Oluwaseun Joseph Aribido and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2302.14644},
year = {2023}
}