[論文レビュー] A One class Classifier based Framework using SVDD : Application to an Imbalanced Geological Dataset

Soumi Chaki, Akhilesh Verma+3 more|arXiv (Cornell University)|Dec 2, 2016

Hydrocarbon exploration and reservoir analysis参考文献 15被引用数 5

ひとこと要約

本稿では、四つのウェルログから地下の水位飽和度を高水位と低水位の二クラスに分類するための、サポートベクターデータ記述（SVDD）を用いたワンクラス分類フレームワークを提案する。データの不均衡問題に対処する。この手法は、g-meanと実行時間の両面で従来の教師あり分類器を上回り、不均衡で非線形的な地下地質データセットにおけるリザーバー特徴化への強い適用可能性を示している。

ABSTRACT

Evaluation of hydrocarbon reservoir requires classification of petrophysical properties from available dataset. However, characterization of reservoir attributes is difficult due to the nonlinear and heterogeneous nature of the subsurface physical properties. In this context, present study proposes a generalized one class classification framework based on Support Vector Data Description (SVDD) to classify a reservoir characteristic water saturation into two classes (Class high and Class low) from four logs namely gamma ray, neutron porosity, bulk density, and P sonic using an imbalanced dataset. A comparison is carried out among proposed framework and different supervised classification algorithms in terms of g metric means and execution time. Experimental results show that proposed framework has outperformed other classifiers in terms of these performance evaluators. It is envisaged that the classification analysis performed in this study will be useful in further reservoir modeling.

研究の動機と目的

• 高度に不均衡な地質データセットにおけるリザーバー水位飽和度の分類という課題に対処すること。
• 地下の物理的性質特徴化のための一般化されたワンクラス分類フレームワークをSVDDを用いて開発すること。
• g-meanと実行時間の観点から、従来の教師あり分類器と比較して性能を評価すること。
• petrophysical特性の分類を改善することで、より正確なリザーバーモデリングを支援すること。
• 現実の地質データにおける非線形的かつ不均一な地下物理的性質の特性に対処すること。

提案手法

• フレームワークは、サポートベクターデータ記述（SVDD）を用いて、1つのクラス（例：低水位飽和度）の分布をモデル化し、外れ値を他方のクラスとして特定する。
• 入力特徴は、ガンマレイ、中性子ポーラリティ、ボリューム密度、Pソニックの四つのウェルログであり、リザーバー特性を表す。
• 径路基底関数（RBF）カーネルを用いて、高次元特徴空間におけるターゲットクラスデータの周囲にハイパースフィアを構築する。
• ハイパースフィアの体積を最小化する最適化問題を解き、一部の訓練点が外側に位置することを許容することで、外れ値への感受性を制御する。
• 性能はg-mean指標と実行時間で評価され、SVDDベースのフレームワークと複数の教師あり分類器とを比較する。
• このアプローチは、少数クラスが希少で、標準的な教師あり学習ではモデル化が難しい不均衡データセットに特に適している。

実験結果

リサーチクエスチョン

• RQ1 SVDDに基づくワンクラス分類フレームワークは、不均衡な地質データセットにおけるリザーバー水位飽和度の分類に効果的に機能するか？
• RQ2 提案されたSVDDベースのフレームワークは、g-mean性能と計算効率の観点から、従来の教師あり分類器と比べてどのように異なるか？
• RQ3 SVDDの使用は、地下物理的性質分類におけるデータの不均衡問題に対し、どの程度の効果をもたらすか？
• RQ4 少数クラスが訓練データに過小に代表されている場合、このフレームワークは高い分類精度を維持できるか？
• RQ5 提案された手法は、同様のデータの不均衡問題を抱える他のリザーバー特徴化タスクへ一般化可能か？

主な発見

• 提案されたSVDDベースのフレームワークは、比較した全教師あり分類器よりも高いg-meanスコアを達成し、不均衡データに対する優れた性能を示した。
• フレームワークは、大多数の教師あり学習アルゴリズムと比較して、より短い実行時間を示し、実用的利便性が向上した。
• この手法は、データの不均衡や不均一性にもかかわらず、petrophysical特性の非線形関係を効果的に捉えた。
• 結果から、SVDDによるワンクラス学習が、リザーバー特徴化タスクにおいて教師あり手法の代替として実用的で効果的であることが確認された。
• 本研究は、訓練に単一のクラスしか使用しないことで、SVDDが水位飽和度レベルを信頼性高く分類できることを示し、バランスの取れたラベル付きデータへの依存を低減できることを明らかにした。
• このフレームワークは、予測精度の向上と不確実性の低減を図るリザーバーモデリングパイプラインへの統合に強く有望である。