Unsupervised Statistical Learning with Integrated Pattern-Based Geostatistical Simulation
Notice bibliographique
Résumé
Abstract This study presents a new geostatistics modeling methodology for the purpose of achieving the following three objectives. (1) Connecting geostatistics and machine learning methodologies, (2) Using non-linear topological mapping to reduce the original high dimensional data space to low dimensional subspace, as well as clustering for identifying and extracting meaningful patterns for both visualization and efficiency purposes, and (3) Using unsupervised learning algorithms to bypass potential problems encountered while using supervised learning algorithms. Past observations have indicated that due to lack of labeled input data, artificial neural network (ANN) architecture, based on feedforward and backpropagation supervised learning, is difficult to apply. To eliminate this difficulty and accomplish the 3 aforementioned objectives we introduce in this paper TopoSim, a neural topology-preserving based geostatistical simulation algorithm, which integrates (1) Self-Organizing Map (SOM) and its updated version, Growing Self-Organizing Map (GSOM), and (2) ANN with an unsupervised competitive learning structure. The proposed simulation integrates in a single step dimensionality reduction and extraction of input data structure pattern. Connectivity between geostatistical simulation problems and machine learning tasks are explained and constructed for the first time. We perform TopoSim unconditioned geostatistical realizations, which show improvements in continuity and pattern reproduction when compared with previously developed single normal equation simulation (SNESIM) algorithms. We conclude that the geostatistical simulation task is essentially a machine learning problem, i.e., getting the model to learn from available data and subsequently using the model for prediction purposes.
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 | 0,001 |
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 ».