Quantifying uncertainty in geoacoustic inversion. I. A fast Gibbs sampler approach
Notice bibliographique
Résumé
This paper develops a new approach to estimating seabed geoacoustic properties and their uncertainties based on a Bayesian formulation of matched-field inversion. In Bayesian inversion, the solution is characterized by its posterior probability density (PPD), which combines prior information about the model with information from an observed data set. To interpret the multi-dimensional PPD requires calculation of its moments, such as the mean, covariance, and marginal distributions, which provide parameter estimates and uncertainties. Computation of these moments involves estimating multi-dimensional integrals of the PPD, which is typically carried out using a sampling procedure. Important goals for an effective Bayesian algorithm are to obtain efficient, unbiased sampling of these moments, and to verify convergence of the sample. This is accomplished here using a Gibbs sampler (GS) approach based on the Metropolis algorithm, which also forms the basis for simulated annealing (SA). Although GS can be computationally slow in its basic form, just as modifications to SA have produced much faster optimization algorithms, the GS is modified here to produce an efficient algorithm referred to as the fast Gibbs sampler (FGS). An automated convergence criterion is employed based on monitoring the difference between two independent FGS samples collected in parallel. Comparison of FGS, GS, and Monte Carlo integration for noisy synthetic benchmark test cases indicates that FGS provides rigorous estimates of PPD moments while requiring orders of magnitude less computation time.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».