Efficiency of Trans-dimensional Bayesian Inference for Geoacoustic Inversion
Notice bibliographique
Résumé
This paper considers trans-dimensional (trans-D) Bayesian inference applied to a representative geoacoustic inverse problem of estimating seabed parameters from acoustic reflectivity measurements.Trans-D methods include model selection in inversion by sampling the posterior probability density (PPD) over models with differing numbers of parameters (dimensions) [1][2][3].The approach is applied here to samplie over seabed geoacoustic models with a variable number of layers [2,3], providing seabed profile estimates with uncertainties that include the uncertainty in the model parameterization.However, trans-D sampling can be computationally intensive.Sampling efficiency is largely determined by the proposal schemes applied to generate perturbed values for existing parameters and for new parameters assigned to layers added to the model.Perturbations of existing parameters are considered in a principal-component (PC) space based on an eigenvector decomposition of the unit-lag parameter covariance matrix (computed from the history of sampled models, a diminishing adaptation) [3].The relative efficiency of proposing newlayer parameters from the prior versus a Gaussian distribution focused near existing values (the common approch) is examined [3].Parallel tempering [4], which employs a sequence of interacting samplers with successively-relaxed likelihoods, is also applied to increase the acceptance rate of new layers.The relative efficiency of various proposal schemes is compared through repeated inversions with a pragmatic convergence criterion [3].
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) | 0,001 | 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 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 ».