[논문 리뷰] Active learning for seismic processing parameterisation, with an application to first break picking

Alan Richardson|arXiv (Cornell University)|2021. 06. 17.

Machine Learning and Algorithms참고 문헌 5인용 수 4

한 줄 요약

이 논문은 인간의 레이블링 작업을 줄이기 위해 가장 정보가 많은 샷 가서를 지능적으로 선택하는 활성 학습 기반의 지진 첫 번째 파동 도래 시점 추출 방법을 제안한다. 여러 개의 도래 시점 추출 알고리즘을 활용한 쿼리-바이-커미티 전략을 사용하여, 특히 지질학적 불연속성과 같은 급격한 첫 번째 파동 도래 시점 이동이 발생하는 영역에서 랜덤 샘플링과 유사한 정확도를 달성하면서도 레이블링이 필요한 가서의 수를 약 절반으로 줄였다.

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.

연구 동기 및 목표

• 지진 처리 파rameterization에서 정규 격자 또는 랜덤 샘플링의 수작업과 비효율성을 줄이기 위해.
• 특히 첫 번째 파동 도래 시점의 급격한 변화인 점프가 발생하는 영역에서 비연속적인 파arameter 변화 문제를 해결하기 위해.
• 사람이 레이블링할 가장 불확실하고 정보가 많은 샷 가서를 우선순위에 두어 첫 번째 파동 도래 시점 추출의 정확도를 향상시키기 위해.
• 딥 러닝의 투명하지 않은 블랙박스를 요구하지 않고 기존 지진 워크플로우에 활성 학습을 통합하기 위해.
• 활성 학습이 수작업 도래 시점 추출 수를 크게 줄일 수 있으며, 同시에 높은 정확도를 유지할 수 있음을 입증하기 위해.

제안 방법

• 이 방법은 쿼리-바이-커미티 활성 학습 전략을 사용하며, 도서관의 모델 커미티(도래 시점 창 중심과 세 가지 기존의 도래 시점 추출 알고리즘 포함)가 미레이블링된 데이터에 대해 불확실성을 추정한다.
• 불확실성은 커미티 구성원들 간 예측의 분산으로 측정되며, 가장 불확실한 샘플이 인간 레이블링을 위해 선택된다.
• 알고리즘은 이 불확실성 지표를 기반으로 인간의 수작업 도래 시점 추출을 위한 샷 가서를 선택하며, 특히 예측 값이 가장 다를 때의 영역에 집중한다.
• 이 과정는 반복적으로 가장 정보가 많은 가서를 레이블링하고 모델을 업데이트하며, 불확실성을 재평가하여 원하는 정확도에 도달할 때까지 진행된다.
• 각 단계에서 데이터셋의 10%가 고려되어 계산 비용과 선택 품질의 균형을 맞춘다.
• 이 방법은 정규 격자나 랜덤 샘플링을 대체하여, 복잡하거나 급격한 첫 번째 파동 도래 행동을 보이는 영역을 우선순위로 삼는 타겟된 선택 전략을 제공한다.

실험 결과

연구 질문

• RQ1 활성 학습이 첫 번째 파동 도래 시점 추출에서 높은 정확도를 달성하기 위해 필요한 수작업 도래 시점 추출 가서의 수를 줄일 수 있는가?
• RQ2 모델의 불확실성에 기반해 가서를 선택하는 것이 지진 파arameterization에서 랜덤 또는 정규 격자 샘플링보다 우수한가?
• RQ3 지진 데이터셋에서 가장 정보가 많은 가서는 어디에 위치해 있으며, 활성 학습이 자연스럽게 이를 식별하는가?
• RQ4 커미티가 고려하는 후보 가서의 수가 최종 정확도와 효율성에 어떤 영향을 미치는가?
• RQ5 활성 학습은 근면 표면의 이질성 등으로 인해 발생하는 급격한 첫 번째 파동 도래 시점 이동 영역을 효과적으로 탐지하고 우선순위를 매길 수 있는가?

주요 결과

• 활성 학습 방법은 랜덤 샘플링과 비슷한 정확도를 달성했지만, 레이블링이 필요한 가서의 수를 약 절반으로 줄였다.
• 이 방법은 지질학적 복잡성으로 인해 첫 번째 파동 도래 시간이 급격히 변화하는 샷 200 근처의 가서를 주로 선택했다.
• 활성 학습을 사용할 경우 예측 도래 시점의 평균 절대 오차가 초기 반복 단계에서 랜덤 선택보다 더 빠르게 감소했다.
• 커미티 선택 과정에서 데이터셋의 1%만 고려해도 최적의 성능을 달성했으며, 10%를 초과해도 유의미한 성능 향상이 없었다.
• 활성 학습 방법은 불확실성이 높은 영역, 예를 들어 급격한 첫 번째 파동 도래 시점 이동이 발생하는 영역을 성공적으로 식별하고 우선순위를 매겼으며, 이는 정확한 처리에 매우 중요하다.
• 각 단계에서 고려하는 후보 가서의 수를 제한함으로써 중간 수준의 계산 비용을 유지하여 실세계 지진 워크플로우에 실용적으로 적용 가능했다.