Automatic variogram inference using pre-trained Convolutional Neural Networks
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
A novel approach is presented for inferring covariance functions from sparse data using Convolutional Neural Networks (CNNs). Two workflows are proposed: (1) direct prediction of variogram model parameters, and (2) prediction of experimental variogram values at specified lag distances, which are smooth and easily autofit. Workflow 1 achieves an r-squared of 0.80, while Workflow 2 attains a higher r-squared of 0.96. Data augmentation through rotation improves robustness, and can be used to examine variogram uncertainty; the distribution for each predicted parameter can be obtained and used in uncertainty modeling. The CNNs are pre-trained, ensuring minimal computational time and fully automated processing. The workflows are applicable to sparse or dense data but are currently limited to 2D normal score variograms. • Two novel methodologies for the automatic inference of variograms using pre-trained convolutional neural networks. • (1) The first aims to directly predict the variogram model parameters (e.g. range). • (2) The second aims to predict the experimental variogram values at specified lag distances which outperforms the first workflow. • Both workflows are fully automatic alternatives to variogram modeling and variogram calculations. • User modeling time is reduced. • Minimize user interaction and reduce the number of parameters for traditional geostatistical inference. • Negligible runtime because the CNN is pre-trained.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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