Trans-dimensional geoacoustic inversion and uncertainty quantification for SBCEX17 data
Notice bibliographique
Résumé
This paper presents an efficient and general approach to Bayesian inversion and uncertainty quantification for seabed geoacoustic profile estimation. The model-selection problem of estimating an appropriate seabed parameterization is addressed with trans-dimensional (trans-D) inversion via reversible-jump Markov-chain Monte Carlo, which samples probabilistically over the number of layers. An efficient proposal density for parameter perturbations is based on using a linearized approximation to the posterior probability density, applied in principal-component (PC) space where the (rotated) parameters are uncorrelated. The acceptance rate of perturbations and birth/death steps is improved by parallel tempering, based on a series of interacting Markov chains with successively tempered (relaxed) likelihoods. The PC proposals are adapted individually to the tempering of each Markov chain. The data-error model is based on the assumption of multivariate Gaussian errors with correlations represented by an autoregressive process. The parameters of zeroth- and first-order autoregressive error processes are sampled trans-dimensionally to avoid over- or under-parameterizing the error model. The approach is illustrated for three data sets from the 2017 Seabed Characterization Experiment (SBCEX17), including broadband seabed reflection coefficients; dispersion of water-borne acoustic modes, resolved by warping analysis; and ship noise recorded at a bottom-mounted horizontal array of hydrophones.
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 | 0,002 | 0,007 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».