Class Label Representativeness in Machine Learning-Based Mineral Prospectivity Mapping
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.
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 | 0,003 | 0,008 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».