論文の概要: GIAT: A Geologically-Informed Attention Transformer for Lithology Identification

• arxiv url: http://arxiv.org/abs/2603.09165v1
• Date: Tue, 10 Mar 2026 04:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.019684
• Title: GIAT: A Geologically-Informed Attention Transformer for Lithology Identification
• Title（参考訳）: GIAT : リソロジー同定のための幾何学的インフォームドアテンション変換器
• Abstract要約: Geologically-Informed Attention Transformer (GIAT) は、データ駆動型地質学的先行をTransformerの注意機構と融合させる新しいフレームワークである。 GIATは95.4%の精度で最先端のパフォーマンスを達成し、既存のモデルよりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 6.315199366662337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate lithology identification from well logs is crucial for subsurface resource evaluation. Although Transformer-based models excel at sequence modeling, their "black-box" nature and lack of geological guidance limit their performance and trustworthiness. To overcome these limitations, this letter proposes the Geologically-Informed Attention Transformer (GIAT), a novel framework that deeply fuses data-driven geological priors with the Transformer's attention mechanism. The core of GIAT is a new attention-biasing mechanism. We repurpose Category-Wise Sequence Correlation (CSC) filters to generate a geologically-informed relational matrix, which is injected into the self-attention calculation to explicitly guide the model toward geologically coherent patterns. On two challenging datasets, GIAT achieves state-of-the-art performance with an accuracy of up to 95.4%, significantly outperforming existing models. More importantly, GIAT demonstrates exceptional interpretation faithfulness under input perturbations and generates geologically coherent predictions. Our work presents a new paradigm for building more accurate, reliable, and interpretable deep learning models for geoscience applications.
• Abstract（参考訳）: 地下資源評価には,坑井の岩盤の正確なリソロジー同定が不可欠である。 トランスフォーマーベースのモデルは、シーケンスモデリングにおいて優れているが、それらの「ブラックボックス」の性質と地質学的ガイダンスの欠如は、パフォーマンスと信頼性を制限している。 これらの制限を克服するために、この手紙は、トランスフォーマーの注意機構とデータ駆動型地質学的先行を深く融合させる新しいフレームワークであるGeologically-Informed Attention Transformer (GIAT)を提案する。 GIATのコアは、新しいアテンションバイアス機構である。 我々はカテゴリ・ワイズ系列相関 (CSC) フィルタを用いて地質的インフォームド・リレーショナル・マトリックスを生成し, 自己アテンション計算に注入し, モデルを地質学的に整合性のあるパターンへ明示的に導く。 2つの挑戦的なデータセットにおいて、GIATは95.4%の精度で最先端のパフォーマンスを達成し、既存のモデルを大幅に上回っている。 さらに、GIATは入力摂動の下で例外的な解釈の忠実さを示し、地質学的に一貫性のある予測を生成する。 我々の研究は、地球科学応用のためのより正確で信頼性があり、解釈可能なディープラーニングモデルを構築するための新しいパラダイムを提示している。

関連論文リスト

• Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
  グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。 それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。 既存の防衛は「ユークリッドバイアス」に苦しむ セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
  論文  参考訳（メタデータ） (2026-08-11T23:20:15Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Geo-Expert: Towards Expert-Level Geological Reasoning via Parameter-Efficient Fine-Tuning [8.269639082702934]
  現在の地球科学におけるAIは、主に表面リモートセンシングとGISをターゲットにしている。 パラメータ効率のよいLLMのファミリーであるGeo-Expertを紹介した。 新たな領域固有ベンチマークであるGeo-Evalによる評価により,領域整列8Bモデルは,専門的な地質学的推論において,オープンウェイト70Bジェネリストやプロプライエタリ GPT-4o よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-05-24T03:28:17Z)
• GeoDecider: A Coarse-to-Fine Agentic Workflow for Explainable Lithology Classification [52.5232577739543]
  リソロジー分類は、よく記録された信号から地下岩のタイプを推定することを目的としている。 既存の方法では、リソロジー分類を単一パスの分類タスクとして扱うことができる。 高精度かつ説明可能なリソロジー分類を可能にする粗大なエージェントワークフローであるGeoDeciderを提案する。
  論文  参考訳（メタデータ） (2026-05-05T05:42:51Z)
• GeoMind: An Agentic Workflow for Lithology Classification with Reasoned Tool Invocation [18.369627120655608]
  ウェルログにおけるリソロジー分類は、地学データマイニングの基本的な課題である。 既存のアプローチは、通常、問題を静的な単段階判別写像として定式化する。 シーケンシャル推論プロセスとしてリソロジー分類をモデル化するツール拡張エージェントフレームワークであるGeoMindを提案する。
  論文  参考訳（メタデータ） (2026-04-23T10:02:59Z)
• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• History Matching under Uncertainty of Geological Scenarios with Implicit Geological Realism Control with Generative Deep Learning and Graph Convolutions [0.10923877073891446]
  グラフベースの変分オートエンコーダは、異なる地質学的シナリオの不確実性を扱うことができるアーキテクチャを表す。 我々はPCA, t-SNE, TDAなどのツールを用いて, 潜伏空間の詳細な解析を行い, その構造を説明する。
  論文  参考訳（メタデータ） (2025-07-14T12:14:17Z)
• Exoplanet Classification through Vision Transformers with Temporal Image Analysis [0.0]
  我々は、NASAのケプラーミッションからグラミアン・Angular Fields(GAF)とRecurrence Plots(RP)に生光曲線データを変換する手法を提案する。 これらの変換されたイメージはビジョントランスフォーマー(ViT)モデルへの入力として機能し、複雑な時間的依存関係をキャプチャする能力を活用する。 モデルの性能を5倍のクロスバリデーション手法を用いてリコール,精度,F1スコアの指標を用いて評価し,モデルの性能のロバストな推定値を得る。
  論文  参考訳（メタデータ） (2025-06-19T20:57:17Z)
• Leveraging Time-Series Foundation Model for Subsurface Well Logs Prediction and Anomaly Detection [0.0]
  ボーリング・ウェルログデータ中の異常を予測・検出するための時系列基礎モデルを提案する。 提案モデルでは,R2が最大87%,平均絶対パーセンテージ誤差(MAPE)が1.95%と高い性能を示した。 このモデルのゼロショット能力は、ドリルの危険性や予期せぬ地質学的形成などの微妙で重要な異常を93%の精度で識別することに成功した。
  論文  参考訳（メタデータ） (2024-12-07T15:23:52Z)
• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
  CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。 微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。 5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
  論文  参考訳（メタデータ） (2024-09-29T08:18:50Z)
• Surrogate Model for Geological CO2 Storage and Its Use in Hierarchical MCMC History Matching [0.0]
  我々は、最近導入されたR-U-Netサロゲートモデルを拡張し、幅広い地質シナリオから引き出されたジオモデルの実現を取り扱う。 本研究では, 人工真理モデルにおける観測井の観測データを用いて, 地質的不確実性を大幅に低減することを示した。
  論文  参考訳（メタデータ） (2023-08-11T18:29:28Z)

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。