基于测井数据的井段非对比式表示学习
人工智能
2023-11-14 v3 机器学习
摘要
油气行业的表示学习问题旨在构建一种基于测井数据为井段提供表示的模型。以往的尝试主要是有监督的，并聚焦于估计井段间相近程度的相似性任务。我们希望在不使用有监督（标注）数据的情况下构建信息丰富的表示。一种可能的途径是自监督学习（SSL）。与有监督范式不同，该方法只需极少或无需数据标签。当前多数 SSL 方法要么是对比式的，要么是非对比式的。对比式方法使相似（正）对象的表示更接近，并使不同（负）对象疏远。由于正负样本对可能存在错误标注，这些方法性能欠佳。非对比式方法不依赖此类标注，且在计算机视觉中已广泛应用。它们仅利用更易在测井数据中识别的相似对象对进行学习。我们首次将非对比式 SSL 引入测井数据。具体而言，我们采用 Bootstrap Your Own Latent (BYOL) 与 Barlow Twins 方法，避免负样本对的使用，仅聚焦于匹配正样本对。这些方法的关键环节在于增强策略。我们的增强策略及对 BYOL 与 Barlow Twins 的适配，使我们在聚类任务上取得更优质量，并在不同分类任务上多数取得最佳表现。我们的结果证明了所提出的非对比式自监督方法对于表示学习、尤其是井段相似性任务的有效性。
引用
@article{arxiv.2209.14750,
title = {Non-contrastive representation learning for intervals from well logs},
author = {Alexander Marusov and Alexey Zaytsev},
journal= {arXiv preprint arXiv:2209.14750},
year = {2023}
}
备注
IEEE Geoscience and Remote Sensing Letters (2023)