A generative neural network approach to uncertainty and risk-return analysis in mineral prospectivity modelling
Notice bibliographique
Résumé
The industrial adoption of machine learning techniques for mineral prospectivity modelling (MPM) remains limited due to their inability to model uncertainties and a lack of systematic frameworks for evaluating risk and return in mineral predictions. A major challenge is that most existing methods fail to simultaneously capture both epistemic uncertainty, which arises from limitations in the predictive modelling process, and aleatoric uncertainty, which stems from the inherent randomness in geoscience data. To address this, we propose a conditional variational autoencoder (CVAE) approach incorporating decoder calibration and uncertainty estimation, which we apply to Canadian magmatic Ni (±Cu ±Co ±PGE) sulphide mineral systems. Aleatoric uncertainty is quantified from the CVAE’s posterior distribution, whereas epistemic uncertainty is assessed from 100 MPM realizations based on datasets generated by the CVAE. We also introduce a novel risk-return framework which integrates relative uncertainty measures with the non-parametric Getis–Ord G ∗ statistics spatial clustering technique to categorize exploration targets into four distinct risk-return categories. Results from the spatial distribution and kernel density estimation analysis reveal that most known deposits are situated in low-uncertainty zones. Notably, high-return zones, which comprise approximately 4% of the total area, account for 94.7% of the known deposits. This research highlights the significance of incorporating uncertainty and risk-return analysis to improve decision-making in mineral prospecting.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 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 ».