論文の概要: GeoDecider: A Coarse-to-Fine Agentic Workflow for Explainable Lithology Classification

• arxiv url: http://arxiv.org/abs/2605.03383v1
• Date: Tue, 05 May 2026 05:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.783748
• Title: GeoDecider: A Coarse-to-Fine Agentic Workflow for Explainable Lithology Classification
• Title（参考訳）: GeoDecider: 説明可能なライブラリ分類のための粗大なエージェントワークフロー
• Authors: Jiahao Wang, Mingyue Cheng, Yitong Zhou, Qingyang Mao, Xiaoyu Tao, Qi Liu, Enhong Chen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.5232577739543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lithology classification aims to infer subsurface rock types from well-logging signals, supporting downstream applications like reservoir characterization. Despite substantial progress, most existing methods still treat lithology classification as a single-pass classification task. In contrast, practical experts incorporate geological principles, external knowledge, and tool-use capabilities to perform accurate classification. In this work, we propose GeoDecider, a coarse-to-fine agentic workflow that enables accurate and explainable lithology classification through training-free use of large language models (LLMs). GeoDecider reformulates lithology classification as an expert-like structured process and organizes it into a multi-stage workflow involving coarse-to-fine reasoning. Specifically, GeoDecider includes the following stages: (1) base classifier-guided coarse classification, which uses a pre-trained classifier to provide a rough reference for downstream tasks, thus reducing the overall cost of downstream reasoning, (2) tool-augmented reasoning, which utilizes several tools such as contextual analysis and neighbor retrieval to achieve finer and more precise classifications, (3) geological refinement, which post-processes the final results to enforce geological consistency. Experiments on four benchmarks show that GeoDecider outperforms representative baselines. Further analysis demonstrates that the proposed framework produces geologically interpretable predictions while achieving a better trade-off between classification performance and inference efficiency.
• Abstract（参考訳）: 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おり、貯水池のキャラクタリゼーションのような下流の応用をサポートする。 かなりの進歩にもかかわらず、既存のほとんどの手法は、単一パスの分類タスクとしてリソロジー分類を扱い続けている。 対照的に、実践専門家は、正確な分類を行うために、地質学の原則、外部知識、ツール使用能力を取り入れている。 本研究では,大規模言語モデル(LLM)のトレーニング不要使用によ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。 GeoDeciderは、専門的な構造化プロセスとしてリソロジー分類を再構築し、粗い推論を含む多段階のワークフローに編成する。 特にGeoDeciderは,(1)事前学習された分類器を用いて下流タスクの粗い参照を提供する粗い分類,(2)下流推論の全体的なコスト削減,(2)文脈分析や近隣検索などのツールを用いてより精密で正確な分類を行う,(3)地質学的改良,(3)地質学的整合性を強制するために最終結果を後処理する,といった段階を含む。 4つのベンチマークの実験では、GeoDeciderは代表的ベースラインを上回っている。 さらに分析した結果,提案手法は地質学的に解釈可能な予測を生成できる一方で,分類性能と推論効率のトレードオフも良好であることがわかった。

関連論文リスト

• 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)
• Does the Data Processing Inequality Reflect Practice? On the Utility of Low-Level Tasks [15.03974529275767]
  有限個のトレーニングサンプルに対して,分類精度を向上させる事前分類処理が存在することを示す。 また、クラス分離、トレーニングセットサイズ、およびクラスバランスが、この手順の相対的な利得に及ぼす影響についても検討する。
  論文  参考訳（メタデータ） (2025-12-24T18:21:01Z)
• Towards Ancient Plant Seed Classification: A Benchmark Dataset and Baseline Model [62.98256440452042]
  我々は,最初の古植物種子画像分類データセットを構築した。 中国各地の18の遺跡から出土した17種の種または種レベルの種から8,340枚の画像が含まれている。 定量的および定性的な分析では、既存の最先端画像分類法を超越し、90.5%の精度を達成している。
  論文  参考訳（メタデータ） (2025-12-20T07:18:22Z)
• Pitfalls of topology-aware image segmentation [81.19923502845441]
  我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。 本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
  論文  参考訳（メタデータ） (2024-12-19T08:11:42Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Comparative Evaluation of Traditional and Deep Learning-Based Segmentation Methods for Spoil Pile Delineation Using UAV Images [0.0]
  本研究は,様々なセグメンテーションアプローチ,特にカラーベースおよびモルフォロジーに基づく手法を洗練・調整する。 本研究の目的は, 鉱業環境の文脈における特性化を損なうため, オブジェクトベース分析の手法を改良し, 評価することである。 評価された多様なセグメンテーション手法のうち,形態素に基づく深層学習セグメンテーション手法であるセグメンション・アシング・モデル(SAM)は,他の手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-01T02:54:49Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• A Topological Framework for Deep Learning [0.7310043452300736]
  機械学習における分類問題は、非常に穏やかな条件下では常に解決可能であることを示す。 特に,ソフトマックス分類ネットワークは,有限列の位相移動によって入力位相空間に作用し,その分類処理を実現する。
  論文  参考訳（メタデータ） (2020-08-31T15:56:42Z)

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。