Recursive Annotation for Negative Labeling in Data-Driven Mineral Prospectivity Mapping
Notice bibliographique
Résumé
Abstract Data engineering is a challenge in mineral prospectivity mapping using supervised data-driven methods because of a general paucity of true samples, both positive and negative. Naïve random sampling of unlabeled samples as presumptive negative samples is a common method, but it creates label crossover, which is the condition that otherwise true positives would be reversed in class designation. For mineral prospectivity mapping, label crossover has two main effects: (1) it artificially decreases the area of positive prospectivity because label crossover is asymmetrical; and (2) it increases model variance by increasing model complexity and, therefore, weakens the spatial continuity of predictions. These effects reduce the realism and trustworthiness of spatial analytic products (e.g., maps), which hinders their adoption. Here, we propose a data-driven and recursive annotation method based on positive and unlabeled learning to annotate negative samples. Our method progressively biases the negative labeling of unlabeled samples using prospectivity scores (as a class prior). The optimization of the number of recursions occurs through a joint maximization of the variable (aspatial) and spatial domain objectives of prospectivity mapping. Reducing label crossover improves the performance of a deep ensemble (of unique workflows) and increases spatial continuity of the resulting prospectivity map. Only two iterations of annotation were necessary for the refinement of a graphite prospectivity map in Canada. By its design, recursive annotation is broadly compatible with a range of workflows.
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 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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».