論文の概要: Ranking Competing geologic interpretations via foundation-model-assisted generative hydrologic inversion

• arxiv url: http://arxiv.org/abs/2609.20978v2
• Date: Tue, 22 Sep 2026 17:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.634457
• Title: Ranking Competing geologic interpretations via foundation-model-assisted generative hydrologic inversion
• Title（参考訳）: 基礎モデルによる再生水文インバージョンによる地質学的解釈の競合
• Abstract要約: 高精度な地下決定は、しばしば競合する地質学的解釈を許容するスパースデータに依存する。 本稿では、競合する地質学的解釈を代替先へ翻訳することで、この問題に対処するワークフローを提案する。 参照地質との整合性の低下を3つの解釈で, ヨハンセン累層に基づく総合ベンチマークを用いて評価した。
• 参考スコア（独自算出の注目度）: 2.924269272712131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-consequence subsurface decisions often rely on sparse data that permit competing geological interpretations. Determining consistency of these interpretations with the available observations remains challenging. We present a workflow that addresses this challenge by translating competing geologic interpretations into alternative priors and ranking them according to their consistency with hydraulic-head observations. A key step in this workflow is exploiting the broad knowledge of image-generation foundation models to transform nuanced geologic interpretations into data ready for computer modeling. For each interpretation, a text-to-image foundation model generates an ensemble of geologic images, and a separately trained variational autoencoder learns an interpretation-specific latent representation. A supervised inverse network maps head observations into this latent space, and the frozen decoder reconstructs an image that is mapped to a log-conductivity field. Steady-state flow simulations predict heads, and the aggregate normalized head error determines the ranking. We evaluate the framework using a synthetic benchmark based on the Johansen Formation with three interpretations of decreasing consistency with the reference geology. Across 595 test cases, the Precise \& Accurate interpretation produces lower normalized errors than Accurate in 58.5\% of cases and Mismatched in 82.5\% of cases. Accurate outperforms Mismatched in 65.5\% of cases. We then compare spatial representations of two published conceptual models of the Culebra Dolomite Member at the Waste Isolation Pilot Plant. The revised representation yields an aggregate normalized error of 7.598, compared with 8.595 for the original, consistent with the documented conceptual-model revision. The framework enables quantitative comparison of competing geological interpretations using available hydraulic observations.
• Abstract（参考訳）: 高精度な地下決定は、しばしば競合する地質学的解釈を許容するスパースデータに依存する。 これらの解釈と利用可能な観察との整合性を決定することは依然として困難である。 本稿では,この課題に対処するワークフローとして,競合する地質学的解釈を代替先へと翻訳し,水理頭観測との整合性に応じて分類する。 このワークフローの重要なステップは、画像生成基盤モデルの幅広い知識を活用して、微妙な地質学的解釈をコンピュータ・モデリングに適したデータに変換することである。 各解釈に対して、テキスト・ツー・イメージ基盤モデルが地質画像のアンサンブルを生成し、個別に訓練された変分オートエンコーダが解釈固有の潜伏表現を学習する。 教師付き逆ネットワークは、ヘッドオブザーバをこの潜伏空間にマッピングし、凍結復号器は、対向電界にマッピングされた画像を再構成する。 定常流シミュレーションはヘッドを予測し、アグリゲート正規化ヘッドエラーがランキングを決定する。 参照地質との整合性の低下を3つの解釈で, ヨハンセン累層に基づく総合ベンチマークを用いて評価した。 595の試験ケースで、精密な \&精度の解釈は、精度の58.5\%で精度の低い正規化エラーを生成し、82.5\%でミスマッチする。 正確な成績は65.5%のケースでミスマッチした。 次に, 廃棄物分離パイロットプラントのCulebra Dolomite の2つの概念モデルの空間表現を比較した。 修正された表現は7.598の集合正規化誤差を、文書化された概念モデル修正と一致したオリジナルの8.595と比較する。 このフレームワークは、利用可能な水理観測を用いて競合する地質学的解釈を定量的に比較することができる。

関連論文リスト

• Self-Supervised Topologically Invariant Manifold Learning for Railway Image Quality Assessment [20.081901964453074]
  既存のブラインド画像品質評価法(BIQA)は、実世界の領域における一般化を制限する合成主観的アノテーションに依存している。 境界制約下での位相不変多様体学習に基づく完全自己教師付きBIQAフレームワークを提案する。 我々のフレームワークは標準の合成およびワイルドベンチマークで優れたゼロショット転送性を確保できることを示す。
  論文  参考訳（メタデータ） (2026-08-15T13:08:06Z)
• Before the Action: Benchmarking LLMs on Prospective Hypothesis Discovery [95.44432473367836]
  大規模言語モデル(LLM)は、事前に特定された質問に答える能力に優れるが、未解決の未解決段階をナビゲートする能力はほとんど測定されていない。 仮説探索(PHD)を導入し,不確定な証拠から,仮説空間を自律的に構築することをモデルに求める。 本稿では,6つの科学的・分析的領域にわたる988ケースのベンチマークであるHypoArenaと,オープンエンド仮説セットの評価フレームワークであるHypoEvalを紹介する。
  論文  参考訳（メタデータ） (2026-07-17T08:56:43Z)
• Binary Flow Matching: Prediction-Loss Space Alignment for Robust Learning [23.616336786063552]
  フローマッチングは、生成モデリングの強力なフレームワークとして登場した。 速度に基づく目的と結合した場合に発生する潜在構造ミスマッチを同定する。 信号空間に対する目的の再調整が特異重み付けを排除していることを示す。
  論文  参考訳（メタデータ） (2026-02-11T02:02:30Z)
• Pix2Geomodel: A Next-Generation Reservoir Geomodeling with Property-to-Property Translation [2.004012818482403]
  本研究では、Pix2Pixをベースとした新しい条件付き生成対向ネットワーク(cGAN)フレームワークであるPix2Geomodelを紹介する。 グローニンゲンガス田のロトリーゲンド貯水池から貯水池特性(空洞、ポーシティ、透水性、飽和度)を予測するように設計されている。 その結果, 病状 (PA 0.88, FWIoU 0.85) と水飽和 (PA 0.96, FWIoU 0.95) の精度が高く, 気孔率 (PA 0.70, FWIoU 0.55) と透過性 (PA 0.74, FWIoU 0.60) が適度に向上し, 翻訳性能も良好であった。
  論文  参考訳（メタデータ） (2025-06-21T15:58:27Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• MicroFlow: Domain-Specific Optical Flow for Ground Deformation Estimation in Seismic Events [19.621315573734265]
  特に,暗黙の相関層に依存した深層学習モデルでは,実環境下での小さな変位を推定することが困難である。 我々のモデルは、半合成地球物理学のベンチマークを広く利用し、人為的・高分解能のセンサーで捉えた現実世界のシナリオをうまく一般化する。
  論文  参考訳（メタデータ） (2025-04-18T04:10:40Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Dense Out-of-Distribution Detection by Robust Learning on Synthetic Negative Data [1.7474352892977458]
  道路走行シーンとリモートセンシング画像における分布外異常の検出方法を示す。 我々は,カバレッジ指向学習の目的と異なる解像度でサンプルを生成する能力により,共同で訓練された正規化フローを活用する。 結果として得られたモデルは、道路走行シーンとリモートセンシング画像におけるアウト・オブ・ディストリビューション検出のためのベンチマークに、新たな技術状況を設定した。
  論文  参考訳（メタデータ） (2021-12-23T20:35:10Z)
• Where and What? Examining Interpretable Disentangled Representations [96.32813624341833]
  解釈可能なバリエーションの獲得は、長い間、絡み合い学習の目標の1つだった。 独立性の仮定と異なり、解釈性は教師なしの設定での絡み合いを促進するために使われることは滅多にない。 本論文では, 解釈対象と解釈対象の2つの質問について検討し, 離散表現の解釈可能性を検討する。
  論文  参考訳（メタデータ） (2021-04-07T11:22:02Z)

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。