Tensor tree decomposition as a rank‐reduction method for pre‐stack interpolation
Notice bibliographique
Résumé
Abstract Tensors have been proposed to represent pre‐stack seismic data, particularly for seismic data denoising and reconstruction. They naturally permit describing multi‐dimensional seismic signals that depend on time (or frequency) and source and receiver coordinates. A tensor representation aims to preserve the information embedded in the multi‐linear array in a reduced space. Such a representation is part of many algorithms for seismic data reconstruction via tensor completion methodologies. We investigate and apply one particular tensor tree representation to seismic data reconstruction. The Tensor Tree decomposition methodology permits decomposing a high‐order tensor into third‐order tensors. The technique relies on the truncated singular value decomposition, which branches the tensors into low‐dimensional tensors. As a benefit, the tensor tree allows us to reorganize the tensor into a matrix that demands the least singular values to have an optimal low‐rank approximation. We have developed an algorithm that uses the tensor tree for data reconstruction in an iterative optimization scheme and directly compared it to the parallel matrix factorization. At first, we demonstrated the proposed methodology results with five‐dimensional synthetic shot data and then moved forward with five‐dimensional field data, where we analysed it both pre and post‐stack. The tensor tree performs well in reconstructing both synthetic and field data with high fidelity, at the same level as the well‐established parallel matrix factorization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».