論文の概要: Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation

• arxiv url: http://arxiv.org/abs/2103.03923v1
• Date: Mon, 15 Feb 2021 10:37:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:39:16.981621
• Title: Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation
• Title（参考訳）: 表面ウォーピングによる機械学習によるドメイン類似度推定:鉱山地質モデリングと自動化の新しいパラダイム
• Authors: Raymond Leung, Mehala Balamurali, Alexander Lowe
• Abstract要約: 新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper illustrates an application of machine learning (ML) within a complex system that performs grade estimation. In surface mining, assay measurements taken from production drilling often provide rich information that allows initially inaccurate surfaces created using sparse exploration data to be revised and subsequently improved. Recently, a Bayesian warping technique has been proposed to reshape modeled surfaces based on geochemical and spatial constraints imposed by newly acquired blasthole data. This paper focuses on incorporating machine learning in this warping framework to make the likelihood computation generalizable. The technique works by adjusting the position of vertices on the surface to maximize the integrity of modeled geological boundaries with respect to sparse geochemical observations. Its foundation is laid by a Bayesian derivation in which the geological domain likelihood given the chemistry, p(g|c), plays a similar role to p(y(c)|g). This observation allows a manually calibrated process centered around the latter to be automated since ML techniques may be used to estimate the former in a data-driven way. Machine learning performance is evaluated for gradient boosting, neural network, random forest and other classifiers in a binary and multi-class context using precision and recall rates. Once ML likelihood estimators are integrated in the surface warping framework, surface shaping performance is evaluated using unseen data by examining the categorical distribution of test samples located above and below the warped surface. Large-scale validation experiments are performed to assess the overall efficacy of ML assisted surface warping as a fully integrated component within an ore grade estimation system where the posterior mean is obtained via Gaussian Process inference with a Matern 3/2 kernel.
• Abstract（参考訳）: 本稿では,機械学習(ML)の複雑なシステムにおける応用について述べる。 表面採掘において、生産掘削から得られたアッセイ測定は、スパース探査データを用いて作成された初期不正確な表面の修正とその後の改善を可能にする豊富な情報を提供することが多い。 近年,新たに取得した破砕孔データによる地球化学的・空間的制約に基づいて,モデル面を再構成するベイズワープ手法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込んで,可能性計算を一般化することに焦点を当てる。 この手法は表面上の頂点の位置を調整し、疎地球化学観測に関してモデル化された地質境界の整合性を最大化する。 その基礎は、p(g|c) が p(y(c)|g) に類似した役割を果たす地質学的領域の確率によって構成される。 この観察により、ml技術はデータ駆動の方法で前者を推定するために使用されるため、後者を中心に手動で調整されたプロセスを自動化できる。 グラデーションブースティング,ニューラルネットワーク,ランダムフォレストなどの分類器に対して,精度とリコール率を用いて機械学習の性能を評価する。 表面改質フレームワークにML候補推定器を組み込んだ場合, 表面改質性能は, 表面改質面上および下方における試験試料の分類的分布を調べて不明瞭なデータを用いて評価する。 マタン3/2カーネルによるガウス過程推定により, 後部平均値が得られる鉱石粒度推定システムにおいて, ML支援表面ワープの総合的有効性を評価するため, 大規模検証実験を行った。

関連論文リスト

• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Subsurface Characterization using Ensemble-based Approaches with Deep Generative Models [2.184775414778289]
  逆モデリングは、計算コストとスパースデータセットによる予測精度の低下により、不適切な高次元アプリケーションに限られる。 Wasserstein Geneversarative Adrial Network と Gradient Penalty (WGAN-GP) と Ensemble Smoother を多重データ同化 (ES-MDA) と組み合わせる。 WGAN-GPは低次元の潜伏空間から高次元K場を生成するために訓練され、ES-MDAは利用可能な測定値を同化することにより潜伏変数を更新する。
  論文  参考訳（メタデータ） (2023-10-02T01:27:10Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• Generalization with Reverse-Calibration of Well and Seismic Data Using Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage Geological Exploration Oil Field [0.0]
  本研究の目的は, 研究領域に広がる炭化水素貯水池の確率を予測するための自律的アプローチを開発し, 適用することである。 この手法は二項分類の問題に機械学習アルゴリズムを用いる。 地震波の属性は予測器として使用される。
  論文  参考訳（メタデータ） (2023-04-06T13:09:33Z)
• Reservoir Prediction by Machine Learning Methods on The Well Data and Seismic Attributes for Complex Coastal Conditions [0.0]
  本研究では,データと空間特性に基づいて学習を行う機械学習の方向性を考察する。 沿岸域における地震データ解釈の難しさを考慮し, 提案手法は, 地質学的, 地質学的データ全体の総量に対応できるツールである。
  論文  参考訳（メタデータ） (2023-01-09T09:23:09Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• A Novel Gaussian Process Based Ground Segmentation Algorithm with Local-Smoothness Estimation [0.0]
  粗い運転シナリオにおけるグラウンドセグメンテーションタスクに対して,新しい$mathcalGP$-based法を提案する。 2つのガウス過程を導入し、データの観測と局所特性を別々にモデル化する。
  論文  参考訳（メタデータ） (2021-12-01T18:42:08Z)
• Data-driven and Automatic Surface Texture Analysis Using Persistent Homology [1.370633147306388]
  合成表面の粗さレベルを分類するためのトポロジカルデータ解析(TDA)手法を提案する。 我々は、表面の形状に関する情報をカプセル化する永続化図を生成する。 次に、Carlsson座標、永続画像、テンプレート関数を用いて、各表面またはプロファイルの特徴行列を求める。
  論文  参考訳（メタデータ） (2021-10-19T14:19:58Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。