面向油气远景目标风险评价的的可解释机器学习
机器学习
2022-12-16 v1
摘要
油气远景目标风险评价是地球物理学中的关键应用，依据包括地质、地球物理及其他信息模态的多种数据预测钻井结果。传统流程要求解释人员经历漫长过程以得出特定结果的成功概率。AI有自动化该流程的能力，但由于复杂黑箱模型生成决策的方式缺乏透明度，其采用迄今受限。我们展示了模型无关解释技术LIME如何用于通过揭示模型对单个预测推理过程来注入对模型决策的信任。它通过在被查询特定数据点的局部邻域内拟合可解释模型来生成这些解释。在一个包含钻井结果及相应地球物理属性数据的数据集上，我们展示了LIME如何通过揭示与领域知识一致的决策过程来诱发对模型决策的信任。此外，它还有潜力调试由于数据中异常模式或错误训练集所导致的误预测。
引用
@article{arxiv.2212.07563,
title = {Explainable Machine Learning for Hydrocarbon Prospect Risking},
author = {Ahmad Mustafa and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2212.07563},
year = {2022}
}