[論文レビュー] Active learning for seismic processing parameterisation, with an application to first break picking

Alan Richardson|arXiv (Cornell University)|Jun 17, 2021

Machine Learning and Algorithms参考文献 5被引用数 4

ひとこと要約

本論文は、人間のラベル付けに必要な作業を削減するため、知的に最も情報量の多いショット gathersを選択するアクティブラーニング手法を提案している。複数のピッキングアルゴリズムを用いたクエリ・バイ・コミ mittee戦略を採用し、特に地質的不連続性に起因する急激な最初の到着時刻の変化領域において、ランダムサンプリングと同等の精度を達成しながら、ラベル付き gathers の数を約半数にまで削減した。

ABSTRACT

Parameter values for seismic processing steps are often chosen on a regular grid of samples and interpolated. Active learning instead attempts to optimally select the samples on which parameter values are chosen. For parameters that do not vary smoothly, this often reduces the number of samples that need to be labelled in order to achieve a desired accuracy on the whole dataset. In regression tasks this is typically achieved using a query by committee strategy that selects the samples on which a committee of models is most uncertain. I implement such a strategy for the first break picking task, where the parameters to be chosen are the centre and width of the picking window for each trace. For the committee members I use the centre of the picking window and three popular picking algorithms. Applying this to a real dataset, and with samples corresponding to shot gathers, the active learning approach primarily selects gathers near a jump in the first breaks, and achieves similar levels of accuracy on the whole dataset with about half the number samples picked as when the samples are randomly selected.

研究の動機と目的

• シスミック処理パrameterizationにおける定期的グリッドまたはランダムサンプリングの手作業の負荷と非効率性を低減すること。
• 特に最初の到着時刻のジャンプのような急激な変化を伴う領域における、シスミックデータにおける非滑らかなパラメータ変動の課題に対処すること。
• 人間によるラベル付けに最も不確実で情報量の多いショット gathers を優先することで、最初の到着時刻ピッキングの精度を向上させること。
• ディープラーニングのブラックボックスを必要とせず、既存のシスミックワークフローにアクティブラーニングを統合すること。
• アクティブラーニングが、高い精度を維持しながら、必要な手作業によるピッキング回数を顕著に削減できることを示すこと。

提案手法

• 本手法は、クエリ・バイ・コミットリー方式のアクティブラーニングを採用しており、ラベルなしデータ上での不確実性を、ピッキングウィンドウの中心と3つの既存のピッキングアルゴリズムからなるモデルの集団が推定する。
• 不確 Promise は、委員会メンバー間での予測の分散として定量化され、最も不確実なサンプルが人間によるラベル付けのために選択される。
• アルゴリズムは、この不確実性指標に基づいて、予測が最も食い違う領域に最も関連するショット gathers を選択する。
• 繰り返し、最も情報量の多い gathers をラベル付けし、モデルを更新して再び不確実性を評価することで、望ましい精度に到達するまで繰り返す。
• 各ステップでデータセットの10％のサブセットを検討することで、計算コストと選択品質のバランスを取る。
• 定期的グリッドまたはランダムサンプリングの代わりに、複雑または急激な最初の到着時刻の挙動を示す領域を優先する、ターゲットを絞った選択戦略を採用する。

実験結果

リサーチクエスチョン

• RQ1 アクティブラーニングは、最初の到着時刻ピッキングにおいて高い精度を達成するために必要な手作業によるピッキング gathers の数を削減できるか？
• RQ2 モデルの不確実性に基づいて gathers を選択することは、シスミックパラメータライゼーションにおいてランダムまたは定期的グリッドサンプリングを上回るか？
• RQ3 シスミックデータ内での最も情報量の多い gathers はどこに位置し、アクティブラーニングは自然にそれらを特定できるか？
• RQ4 委員会が検討する候補となる gathers の数が、最終的な精度と効率にどのように影響するか？
• RQ5 アクティブラーニングは、近接表面の不均一性によって引き起こされるような、急激な最初の到着時刻のシフト領域を効果的に検出し、優先順位を付けることができるか？

主な発見

• アクティブラーニング手法は、ランダムサンプリングと同等の精度を達成したが、手作業によるピッキングが必要な gathers の数を約半数にまで削減した。
• この手法は主に、地質的複雑性に起因して最初の到着時刻にジャンプが生じるショット200付近の gathers を選択した。
• アクティブラーニングでは、特に初期段階の反復で、予測ピッキングの平均絶対誤差がランダム選択よりも著しく速やかに減少した。
• 委員会の選択プロセスでデータセットの1％を検討するだけで十分な最適性能が得られ、10％を越えては顕著な改善が得られなかった。
• アクティブラーニング手法は、急激な最初の到着時刻のシフトを示すような高不確実性領域（処理の正確性にとって重要な領域）を自然に特定し、優先順位を付けることに成功した。
• 各ステップで検討する候補となる gathers の数を制限することで、中程度の計算コストを維持したため、実世界のシスミックワークフローにおいて実用的であった。