論文の概要: Autoregressive Drillhole Modelling Under Distribution Shift

• arxiv url: http://arxiv.org/abs/2610.01204v1
• Date: Thu, 01 Oct 2026 07:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.960513
• Title: Autoregressive Drillhole Modelling Under Distribution Shift
• Title（参考訳）: 分布シフト下における自己回帰型ドリルホールモデリング
• Abstract要約: 次層予測と自己回帰層序生成のための49,671の西オーストラリアの掘削孔のベンチマークであるDrillBenchを紹介する。 古典的、統計学的、ニューラルなモデルのベンチマークにより、明確なEmphtransfer境界が明らかになる 本研究では, 掘削孔の大規模プレトレーニングと近傍のリソロジーの空間的検索を組み合わせたバックボーン非依存のレシピを開発した。
• 参考スコア（独自算出の注目度）: 13.12359450176921
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autoregressive modelling has achieved remarkable success in language and sequence tasks by learning to predict future states from previous observation. Mineral-exploration drillholes provide a natural but largely unexplored setting for this paradigm: as drilling proceeds, lithology is revealed sequentially from shallow to deep, making prediction of deeper strata inherently autoregressive. Existing drillhole modelling, however, is dominated by spatial interpolation and reconstruction, or largely rely on masked modelling, leaving strictly autoregressive prediction largely underexplored. We introduce DrillBench, a benchmark of 49,671 Western Australian drillholes for next-layer prediction and autoregressive stratigraphic generation across a graded transfer spectrum, from local prediction through spatial shift to cross geological province transfer. Benchmarking classical, geostatistical, and neural models reveals a clear \emph{transfer boundary}: spatial and geochemical conditioning provides large local gains but deteriorates sharply under stronger shift, whereas lithology-sequence autoregressive models transfer more robustly. Guided by this finding, we develop a backbone-agnostic recipe combining large-scale pretraining on historical drillholes with spatial retrieval of neighbouring lithology. Retrieval is most effective in weathered cover, when local spatial continuity remains informative, whereas pretraining contributes more strongly in bedrock and under broader geological shift. Together, they retain strong local performance while improving generalisation under spatial and cross-province shift, most markedly on the most distant splits. The benchmark and code are available at https://github.com/yihaoding/drillbench.
• Abstract（参考訳）: 自己回帰モデリングは、過去の観測から将来の状態を予測することを学ぶことによって、言語やシーケンスタスクにおいて顕著な成功を収めた。 掘削が進むにつれて、リソロジーは浅いものから深いものへと順次明らかにされ、より深い層が本質的に自己回帰的に予測される。 しかし、既存の掘削孔モデリングは、空間的補間と再構成によって支配されているか、主にマスク付きモデリングに依存しており、厳密な自己回帰予測はほとんど探索されていない。 オーストラリア西部の49,671のボーリングホールのベンチマークであるDrillBenchを紹介した。 空間的および地球化学的条件付けは大きな局所的な利得を提供するが、より強いシフトの下で急激に劣化する一方、リソロジー系列の自己回帰モデルはより堅牢に移動する。 本研究は, 掘削孔の大規模プレトレーニングと近傍のリソロジーの空間的検索を併用した背骨非依存のレシピを開発した。 レトリーバルは、局所的な空間的連続性が情報的のままである場合、風化被覆において最も効果的であるが、プレトレーニングは、岩盤やより広い地質変化の下でより強く寄与する。 両者は共に、空間的および横断的なシフトの下での一般化を改善しながら、強い局所的なパフォーマンスを維持しており、最も遠い分割において顕著である。 ベンチマークとコードはhttps://github.com/yihaoding/drillbench.comで公開されている。

関連論文リスト

• Across the Loss Landscape with Progressive Growth [51.366966420881646]
  成長を漸進的緩和と見なして、より平坦な地域に向けての訓練戦略がいかに成長・最適化されるかを示す。 制御されたおもちゃの流域や現実的なResNet/CI-100環境でこれらの予測を実証的に検証する。 プログレッシブな部分空間成長は、より平坦な解を確実に生成するが、曲率の低減は、普遍的にテスト性能の向上に変換されず、平坦性一般化接続における微妙さを強調している。
  論文  参考訳（メタデータ） (2026-08-25T13:50:48Z)
• Geospatial Diffusion-based Evolution Synthesis (GeoDES) for Storm-Centered Weather Augmentation [13.68177341402557]
  本稿では,GeoDES(Geospatial Diffusion-based Evolution Synthesis)モデルについて紹介する。 進化する嵐構造に厳密に焦点を合わせることで、GeoDESはストレステスト予測モデルや気象データセットの拡張に適した物理的に一貫した高忠実な気象事象を合成する。 評価の結果、GeoDESは主要な指標の先行手法よりも優れており、52%$Peak Vorticity Error が低く、8%$Anomaly correlation Coefficient が北大西洋テストセットの次の最強手法よりも高い。
  論文  参考訳（メタデータ） (2026-07-21T19:10:12Z)
• ARDepth: Auto-regressive Monocular Depth Estimation with Progressive Visual Conditioning [66.42476564611607]
  拡散モデルは、反復的妄想を通して、世界規模で滑らかな場として深度を復元できると仮定する。 本稿では,構造的自己回帰生成として深度推定を定式化するARDepthを提案する。 提案手法は高い性能を達成し,スケールにわたって構造的に一貫した深度予測を実現する。
  論文  参考訳（メタデータ） (2026-07-14T07:06:46Z)
• SubdivAR: Autoregressive Next-Scale Prediction for Neural Mesh Subdivision [10.62097148325093]
  メッシュ分割は粗い編集可能なメッシュを高分解能な表面に変換するための基本的な操作である。 提案したメッシュ自己回帰表現(MAR)に基づくニューラルネットワークサブディビジョンフレームワークであるSubdivARを提案する。 MARは、異なるサブディビジョンレベルのメッシュを順序付けられたスケールシーケンスにアレンジし、サブディビジョンを自己回帰的な次のスケール予測として再構成する。
  論文  参考訳（メタデータ） (2026-06-25T14:24:03Z)
• From Short Histories to Long Futures: Horizon-Aware Graph Neural Networks for Long Horizon Forecasting [1.6114012813668932]
  ディープニューラルネットワークは効率的なエミュレータとして機能するが、その多くは次のステップの予測のためにトレーニングされている。 本稿では,現在の状態から将来の複数のリードタイムへの状態遷移を学習するマルチホライゾングラフニューラルネットワークエミュレータを提案する。 Pine Island Glacier シミュレーション実験により,本手法は長距離精度の向上と安定性の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-28T13:58:48Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• SAGE: Subsurface AI-driven Geostatistical Extraction with proxy posterior [0.06524460254566902]
  不完全な観測から統計的に一貫したプロキシ速度を生成するための新しいフレームワークであるSAGEを紹介する。 トレーニング中、SAGEは、両方のモード(井戸と地震)で条件付けられた速度モデル上のプロキシ後部モデルを学ぶ。 推論の際には、学習した分布に暗黙的に符号化された良質な情報を持つ、移行した画像にのみ条件付きフル解像度の速度場を生成する。
  論文  参考訳（メタデータ） (2026-03-31T23:06:32Z)
• Enhancing Adversarial Transferability by Balancing Exploration and Exploitation with Gradient-Guided Sampling [82.52485740425321]
  アドリアックは、ディープニューラルネットワークの堅牢性にとって重要な課題である。 敵攻撃の伝達性は、爆発(最大攻撃能力)と探索(クロスモデル一般化の促進)のジレンマに直面している
  論文  参考訳（メタデータ） (2025-11-01T05:43:47Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Domain Generalization Strategy to Train Classifiers Robust to Spatial-Temporal Shift [6.994786884130848]
  本研究では,気象予測モデルを時空間シフトに頑健にするためのトレーニング戦略を提案する。 We performed all experiment on the W4C22 Transfer dataset and achieved the 1st performance。
  論文  参考訳（メタデータ） (2022-12-06T13:39:15Z)

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。