深度学习驱动全波形反演的鲁棒性与泛化性研究
机器学习
2021-11-30 v1 信号处理
摘要
数据驱动方法已被证明是解决复杂科学问题的一种有前景的技术。全波形反演（FWI）通常被概括为图像到图像的翻译任务，这促使使用深度神经网络作为端到端解决方案。尽管使用合成数据训练，深度学习驱动的全波形反演在以充足真实世界数据评估时有望表现良好。在本文中，我们通过提出以下问题来研究此类性质：这些深度神经网络有多鲁棒，它们如何泛化？对于鲁棒性，我们证明了干净数据与含噪数据预测之间偏差的上界。此外，我们展示了噪声水平与损失额外增益之间的相互作用。对于泛化，我们通过稳定性-泛化框架证明了基于范数的泛化误差上界。在地震全波形反演数据集上的实验结果理论与理论结果一致，为更好地理解将深度学习用于复杂科学应用提供了启示。
引用
@article{arxiv.2111.14220,
title = {On the Robustness and Generalization of Deep Learning Driven Full Waveform Inversion},
author = {Chengyuan Deng and Youzuo Lin},
journal= {arXiv preprint arXiv:2111.14220},
year = {2021}
}