通过主动学习改进地震数据质量控制
机器学习
2022-01-21 v2 机器学习
摘要
在图像去噪问题中，可用图像密度的不断增加使得穷尽式目视检查不可能实现，因此必须部署基于机器学习的自动化方法以达成此目的。地震信号处理中尤其如此。工程师/地球物理学家须处理数百万条地震时间序列。寻找对石油工业有用的地下性质可能耗时长达一年，且在计算/人力资源上极为昂贵。特别地，数据必须经历不同的噪声衰减步骤。每个去噪步骤理想情况下随后应由人类专家执行质量控制(QC)阶段。为以监督方式学习质量控制分类器，必须有带标签的训练数据可用，但从人类专家处收集标签极其耗时。因此我们提出一种新颖的主动学习方法论，以顺序选择最相关数据，随后交还人类专家标注。除地球物理中的应用外，本文所倡导的基于局部误差及其不确定性估计的技术是通用的。其性能得到强有力的实证支持，如本文所呈数值实验所示，其中它在合成与真实地震数据集上均与替代主动学习策略进行了比较。
引用
@article{arxiv.2201.06616,
title = {Improving the quality control of seismic data through active learning},
author = {Mathieu Chambefort and Raphaël Butez and Emilie Chautru and Stephan Clémençon},
journal= {arXiv preprint arXiv:2201.06616},
year = {2022}
}
备注
10 pages