Joint Inversion Through A Level Set Formulation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
SummaryGeophysical data processing is a highly quantitative field that involves modelling, inversion and visualization. In most cases a geophysical experiment is conducted to collect data that are sensitive to a particular physical property of the earth. The data is processed and inverted to generate an earth model of the physical property in question. To better understand the structure of the earth, different experiments are conducted using a variety of imaging modalities. For example, from seismic, gravity and electromagnetic experiments we may obtain information about the earth's elastic, density and conductivity characteristics. Usually the data of each experiment are inverted separately to generate an ensemble of earth models. However, since the inversion process of each geophysical modality is typically carried out independently, most inversion algorithms do not utilize the information obtained through other modalities.In this research we propose to jointly invert the data obtained by two physical experiments since the information contained in each model can be used to correct the other model. In many of the cases the two models share the important structures, therefore, edges occur in the same locations. In order to exploit this information, we propose using a level set formulation of the problems. Assuming that both models take two known discrete values, we can then use a single level set function for both models together. This can be later extended to multi-level set functions and with unknown values. By using this formulation we are able to improve inversion results of both problems.
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.
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) | 0,001 | 0,002 |
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 découle