扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

应用蒙特卡罗脱落量化大数据优化的跳跃连接卷积神经网络的不确定性

论论资讯 | 2023-03-01 3热度

Electronics (Switzerland)

Explore content

About the journal

Publish with us

Applying Monte Carlo Dropout to Quantify the Uncertainty of Skip Connection-Based Convolutional Neural Networks Optimized by Big Data

Choubineh A.; Chen J.; Coenen F.; Ma F.

Published:2023-03-01
DOI:10.3390/electronics12061453

研究背景

随着深度学习在各个领域的应用,人工智能的发展越来越受到关注。然而,深度学习模型往往忽略了不确定性,这可能成为它们在实际应用中的一大障碍。因此,如何解决深度学习模型的不确定性问题是当前研究领域的一个重要问题。

研究内容

本研究旨在应用和评估 Monte Carlo (MC) dropout 方法,对多个基于跳跃连接的卷积神经网络模型进行可靠性评估,同时保持其高准确性。为此,在地下流体流动建模的背景下,考虑了一个高维回归问题,使用了 376,250 个生成的样本。结果表明,MC dropout 方法在可靠性方面的有效性为标准差 (SD) 0.012-0.174,而在准确性方面的相关系数 (R<sup>2</sup>) 为 0.7881-0.9584,均方误差 (MSE) 为 0.0113-0.0508。本研究的发现可能有助于油气田压力分布的开发。

研究意义

本研究的创新点在于应用了 Monte Carlo dropout 方法,通过评估神经网络模型的可靠性和准确性,解决了深度学习模型不确定性的问题。此外,本研究还在地下流体流动建模的背景下进行了实证研究,为油气田压力分布的开发提供了理论支持。这些研究成果对于深度学习模型在实际应用中的推广具有重要的意义。

微信扫码即可查看