भूकंपीय डेटा के आधार पर एक तंत्रिका नेटवर्क के लिए नुकसान फ़ंक्शन को कॉन्फ़िगर करना

व्यवसाय अनुसंधान लक्ष्य

1. क्या संघ के वर्ग में अंतर का नुकसान समारोह वास्तव में नीचे दी गई समस्या के लिए सबसे अच्छा परिणाम है? ऐसा लगता है कि उत्तर स्पष्ट है, लेकिन कौन सा? और एक व्यवसायिक दृष्टिकोण से कितना अच्छा है?
2. क्या विभिन्न वर्गों के कार्यों को मिलाकर परिणामों में सुधार करना संभव है? उदाहरण के लिए, संघ पर अंतर और विभिन्न भार के साथ क्रॉस-एंट्रोपी।
3. क्या नुकसान के कार्यों को जोड़कर परिणामों में सुधार करना संभव है, विशेष रूप से भूकंपीय डेटा के लिए डिज़ाइन किए गए विभिन्न परिवर्धन?

प्रयोग और उपयोग किए गए डेटा का सामान्य विवरण

1. हमने स्रोत डेटा को देखा और स्लाइस का चयन किया, जो मैन्युअल मार्किंग (पिछले प्रयोग के समान) की गुणवत्ता में निकटतम हैं।
2. हमने तंत्रिका नेटवर्क की वास्तुकला, प्रशिक्षण की कार्यप्रणाली और मापदंडों को दर्ज किया, और प्रशिक्षण और सत्यापन के लिए स्लाइस चुनने का सिद्धांत (पिछले प्रयोग के समान)।
3. हमने अध्ययन हानि कार्यों को चुना।
4. हमने पैरामीटराइज़्ड लॉस फ़ंक्शंस के लिए सर्वोत्तम मापदंडों का चयन किया।
5. हमने एक ही डेटा वॉल्यूम पर विभिन्न फ़ंक्शन के साथ तंत्रिका नेटवर्क को प्रशिक्षित किया और सबसे अच्छा फ़ंक्शन चुना।
6. हमने समान नेटवर्क पर एक अन्य वर्ग के कार्यों के साथ चयनित फ़ंक्शन के विभिन्न संयोजनों के साथ तंत्रिका नेटवर्क को प्रशिक्षित किया।
7. हमने समान नेटवर्क पर चयनित फ़ंक्शन के नियमितीकरण के साथ तंत्रिका नेटवर्क को प्रशिक्षित किया।

कार्य 1. डेटा चयन

कार्य 2. प्रयोग के मापदंडों को ठीक करना

कार्य 3. हानि कार्यों का विकल्प

• बाइनरी क्रॉस एन्ट्रॉपी;
• भारित बाइनरी क्रॉस एन्ट्रॉपी;
• संतुलित बाइनरी क्रॉस एन्ट्रॉपी।

• जैकार्ड नुकसान;
• टावर्सकी नुकसान;
• Lovász नुकसान।

• पीटी - बाइनरी टारगेट मास्क (ग्राउंड ट्रूथ) के लिए;
• पीपी - नेटवर्क भविष्यवाणी मास्क के लिए।

बाइनरी क्रॉस एन्ट्रापी

भारित बाइनरी क्रॉस एन्ट्रापी

संतुलित बाइनरी क्रॉस एन्ट्रापी

जैकार्ड का नुकसान

टावर्सकी हानि

Lovász नुकसान

महत्वपूर्ण व्याख्या!

कार्य 4. पैरामीटर किए गए नुकसान कार्यों के लिए सर्वोत्तम पैरामीटर चुनना

भारित बाइनरी क्रॉस एन्ट्रापी

संतुलित बाइनरी क्रॉस एन्ट्रापी

टावर्सकी हानि

कार्य 5. सबसे अच्छा नुकसान समारोह का चयन।

• हमारे मामले में, यूनियन वर्ग के मुकाबले अंतरंगता के "जैक्वार्ड" कार्य वास्तव में क्रॉस-एन्ट्रापी की तुलना में बेहतर मूल्यों को दर्शाते हैं। इसके अलावा, काफी बेहतर है।
• Lovazh loss.

• लगभग 60% पूर्वानुमान आदर्श के करीब हैं, अर्थात क्षितिज के अलग-अलग वर्गों के लिए समायोजन से अधिक की आवश्यकता नहीं है;
• लगभग 30% पूर्वानुमानों में 2 से अधिक अतिरिक्त स्पॉट नहीं होते हैं, अर्थात्। मामूली सुधार की आवश्यकता;
• लगभग 1% पूर्वानुमान में 10 से 25 अतिरिक्त स्पॉट होते हैं, अर्थात्। पर्याप्त सुधार की आवश्यकता है।

टास्क 6. नुकसान फ़ंक्शन का सबसे अच्छा संयोजन चुनना

कार्य 7. सबसे अच्छा नुकसान समारोह का नियमितीकरण।

• लगभग 87% पूर्वानुमान आदर्श के करीब हैं, अर्थात क्षितिज के अलग-अलग वर्गों के लिए समायोजन से अधिक की आवश्यकता नहीं है;
• लगभग 10% पूर्वानुमानों में 1 अतिरिक्त स्थान होता है, अर्थात मामूली सुधार की आवश्यकता;
• लगभग 3% पूर्वानुमान में 2 से 5 अतिरिक्त धब्बे होते हैं, अर्थात्। थोड़ा और पर्याप्त शोधन की आवश्यकता है।

जाँच - परिणाम

• केवल एक लर्निंग पैरामीटर को समायोजित करके - नुकसान फ़ंक्शन - हम नेटवर्क पूर्वानुमान की गुणवत्ता में काफी सुधार करने और आवश्यक शोधन की मात्रा को लगभग तीन गुना कम करने में सक्षम थे।
• Intersection over Union ( Lovazh loss) . -, .
• -, . , .. .

:

1. Reinaldo Mozart Silva, Lais Baroni, Rodrigo S. Ferreira, Daniel Civitarese, Daniela Szwarcman, Emilio Vital Brazil. Netherlands Dataset: A New Public Dataset for Machine Learning in Seismic Interpretation
2. Lars Nieradzik. Losses for Image Segmentation
3. Daniel Godoy. Understanding binary cross-entropy / log loss: a visual explanation
4. Seyed Sadegh Mohseni Salehi, Deniz Erdogmus, and Ali Gholipour. Tversky loss function for image segmentation using 3D fully convolutional deep networks
5. Maxim Berman, Amal Rannen Triki, Matthew B. Blaschko. The Lovasz-Softmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks
6. Bas Peters, Eldad Haber, and Justin Granek. Neural-networks for geophysicists and their application to seismic data interpretation