ИСТИНА

Данное исследование посвящено изучению эффективности методов переноса обучения, применяемых к моделям градиентного бустинга, для решения обратных задач разведочной геофизики. Основная проблема, решаемая в работе - необходимость наличия большого объема обучающих данных при адаптации моделей к новым геологическим структурам или наборам данных с различной степенью сложности (например, при переходе между разрезами с фиксированными и переменными свойствами слоев). В отличие от предыдущих работ, использовавших нейронные сети, в данной работе рассматриваются алгоритмы градиентного бустинга. Исследуются специфические стратегии переноса обучения, адаптированные для ансамблевых методов: 1. Стандартное дообучение: модель, предварительно обученная на исходном наборе данных, продолжает обучение на целевом наборе. 2. Перенос с обогащением признаков: модель обучается “с нуля” на целевом наборе, но входные признаки дополняются ещё одним, содержащим ответы модели, предварительно обученной на исходном наборе данных. 3. Перенос с усечением модели: после предобучения на исходных данных определяется итерация с минимальной ошибкой на валидационном поднаборе целевого набора. Далее ансамбль усекается до этой итерации, и полученная модель используется для инициализации дообучения. 4. Перенос с адаптивным ансамблированием: на целевом наборе данных обучается новая модель “с нуля”. Итоговое предсказание формируется как взвешенная сумма предсказаний модели-донора и целевой модели. Весовой коэффициент адаптивно подбирается с помощью алгоритма оптимизации. Эксперименты проводятся в рамках геофизической постановки, включающей задачи гравиметрии, магнитометрии и магнитотеллурического зондирования. Используются три синтетических набора данных (“Лёгкий”, “Средний”, “Сложный”), различающихся характером изменения параметров среды. Производится сравнение эффективности стратегий переноса обучения и традиционного обучения. Оценивается точность восстановления глубин границ геологических слоев и вычислительная эффективность при различных объемах обучающей выборки. Результаты показывают, что применение методов переноса обучения для градиентного бустинга позволяет существенно сократить необходимый размер обучающей выборки, сохраняя или даже улучшая точность решения по сравнению с моделями бустинга без переноса. Это подтверждает, что перенос обучения позволяет существенно повысить эффективность и расширить возможности применения градиентного бустинга при решении обратных задач разведочной геофизики в условиях ограниченных данных. Исследование выполнено за счёт гранта Российского научного фонда № 24-11-00266.