Class Label Representativeness in Machine Learning-Based Mineral Prospectivity Mapping
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
Abstract Mineral prospectivity mapping (MPM) can be deemed a binary classification task, with classifiers trained and validated on labels indicating the presence or absence of the targeted mineralized zones. Using economically viable mineral deposits as positive labels could, in theory, yield prospectivity models with geometallurgical reliability, thereby aiding land management and decision-making. The inherent scarcity of economically viable deposits, however, ultimately affects MPM products. The positive class label, therefore, often requires augmentation with either mineral occurrences (i.e., mineralized sites lacking economic viability) or synthetically generated labels. This paper examines how augmented positive labels and different negative label selection procedures geospatially represent economically viable mineral deposits and affect deep learning-based MPM’s classification performance and its spatial selectivity (i.e., MPM’s capability to efficiently narrow the exploration search space). To achieve this objective, large ensembles of deep learning classifiers were trained and validated with diverse combinations of positive and negative labels. Two positive class label sets were created by augmenting mineral deposits with either synthetic labels, generated using generative adversarial networks, or mineral occurrences, paired with distinct negative label sets selected based on (1) locations distant from known mineral deposits, (2) areas geospatially dissimilar to known mineral deposits, and (3) mineralized areas unrelated to the targeted style of mineralization, resulting in six unique class configurations. This study ultimately provides insights into how different label sets affect MPM's classification performance and spatial selectivity. The results indicate that selecting negative class labels from geospatially different localities enhances classification performance and MPM's spatial selectivity compared to other negative label selection procedures.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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