3-D Projected <i>L</i> 1 inversion of gravity data using truncated unbiased predictive risk estimator for regularization parameter estimation
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
Summary Sparse inversion of gravity data based on L1-norm regularization is discussed. An iteratively reweighted least squares algorithm is used to solve the problem. At each iteration the solution of a linear system of equations and the determination of a suitable regularization parameter are considered. The LSQR iteration is used to project the system of equations onto a smaller subspace that inherits the ill-conditioning of the full space problem. We show that the gravity kernel is only mildly to moderately ill-conditioned. Thus, while the dominant spectrum of the projected problem accurately approximates the dominant spectrum of the full space problem, the entire spectrum of the projected problem inherits the ill-conditioning of the full problem. Consequently, determining the regularization parameter based on the entire spectrum of the projected problem necessarily over compensates for the non-dominant portion of the spectrum and leads to inaccurate approximations for the full-space solution. In contrast, finding the regularization parameter using a truncated singular space of the projected operator is efficient and effective. Simulations for synthetic examples with noise demonstrate the approach using the method of unbiased predictive risk estimation for the truncated projected spectrum. The method is used on gravity data from the Mobrun ore body, northeast of Noranda, Quebec, Canada. The 3-D reconstructed model is in agreement with known drill-hole information.
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 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle