Improving the use of the randomized singular value decomposition for the\n inversion of gravity and magnetic data
Notice bibliographique
Résumé
The large-scale focusing inversion of gravity and magnetic potential field\ndata using $L_1$-norm regularization is considered. The use of the randomized\nsingular value decomposition methodology facilitates tackling the computational\nchallenge that arises in the solution of these large-scale inverse problems. As\nsuch the powerful randomized singular value decomposition is used for the\nnumerical solution of all linear systems required in the algorithm. A\ncomprehensive comparison of the developed methodology for the inversion of\nmagnetic and gravity data is presented. These results indicate that there is\ngenerally an important difference between the gravity and magnetic inversion\nproblems. Specifically, the randomized singular value decomposition is\ndependent on the generation of a rank $q$ approximation to the underlying model\nmatrix, and the results demonstrate that $q$ needs to be larger, for equivalent\nproblem sizes, for the magnetic problem as compared to the gravity problem.\nWithout a relatively large $q$ the dominant singular values of the magnetic\nmodel matrix are not well-approximated. The comparison also shows how the use\nof the power iteration embedded within the randomized algorithm is used to\nimprove the quality of the resulting dominant subspace approximation,\nespecially in magnetic inversion, yielding acceptable approximations for\nsmaller choices of $q$. The price to pay is the trade-off between approximation\naccuracy and computational cost. The algorithm is applied for the inversion of\nmagnetic data obtained over a portion of the Wuskwatim Lake region in Manitoba,\nCanada\n
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».