준 지도 전이 학습을 이용한 속도 모델 구축

Title
준 지도 전이 학습을 이용한 속도 모델 구축
Alternative Title
Velocity model building using semi-supervised transfer learning
Author(s)
전형구; 주형태; 이상훈; 김충호; 문혜진; 진영근
KIOST Author(s)
Jou, Hyeong Tae(주형태)Lee, Sang Hoon(이상훈)Kim, Chung Ho(김충호)Moon, Hye Jin(문혜진)
Publication Year
2020-09-24
Abstract
탄성파 자료 처리를 통해 정확한 지하 매질의 속도 정보를 얻는 것은 지하 구조를 파악하는데 있어서 가장 중요한 절차 중 하나이다. 따라서 지하 속도 구조 도출을 위해 많은 연구가 이루어지고 있으며 최근에는 머신러닝을 이용한 지하 속도 구조 도출 연구가 다양한 방법으로 수행되고 있다. 머신러닝은 크게 정답 있는 자료 (labeled data) 가 필요한 지도학습과 정답이 없는 자료 (unlabeled data) 를 활용하는 비 지도학습으로 나눌 수 있으며 속도 구조 도출을 위해서 현재까지는 주로 지도학습이 활용되었다. 지도학습에는 정답이 있는 학습 자료가 필수적이나 기존에 존재하는 탄성파 자료를 통해 정답이 있는 학습 자료를 생성하기 위해서는 많은 시간과 비용이 필요하므로 충분한 양의 정답이 있는 학습 자료를 확보하기 어려운 경우가 많다. 이러한 문제를 극복하기 위해서 정답이 있는 학습 자료와 정답이 없는 학습 자료를 동시에 활용하는 준 지도 학습이라는 방법이 제안되었으며 본 연구에서도 제한된 양의 정답 자료를 활용하여 효율적으로 속도 구조를 도출하기 위해 준 지도 학습중 가장 간단한 형태인 오토 라벨링 (auto labeling) 기법을 활용하였다. 오토 라벨링은 한정된 정답자료로부터 유사 정답 자료를 (pseudo-labeled data) 를 생산하여 학습 자료의 양을 늘리는 방법이다. 이는 적은 양의 정답 자료만으로 학습을 수행할 수 있다는 장점이 있으나 초기 라벨링 결과에 포함된 오류가 학습에 치명적인 영향을 줄 수 있다는 단점을 가지고 있다. 따라서 본 연구에서는 준 지도 학습과 전이 학습을 함께 반복적으로 사용하여 유사 정답 자료로 인해 발생할 수 있는 결과의 편향을 보정하고자 하였다. 제안된 방법은 수치예제를 통해 검증되었으며 수치 예제 결과는 제안된 방법이 제한된 양의 정답 자료를 이용하여도 효율적으로 속도 구조를 도출할 수 있음을 보였다.
URI
https://sciwatch.kiost.ac.kr/handle/2020.kiost/39577
Bibliographic Citation
2020 한국지구물리·물리탐사학회 가을 학술대회, 2020
Publisher
한국지구물리·물리탐사학회
Type
Conference
Language
Korean
Publisher
한국지구물리·물리탐사학회
Files in This Item:
There are no files associated with this item.

qrcode

Items in ScienceWatch@KIOST are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse