論文の概要: Expert lithological labels do not improve learning when used to predict marine sediment properties

• arxiv url: http://arxiv.org/abs/2610.36410v2
• Date: Wed, 28 Oct 2026 08:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.512735
• Title: Expert lithological labels do not improve learning when used to predict marine sediment properties
• Title（参考訳）: 専門リソロジーラベルは海洋堆積物特性の予測に使用しても学習を改善しない
• Abstract要約: LILY海洋掘削データベース上に埋め込みモデルをトレーニングする。 我々は296のボーアホールから236,963個の観測を行った。 埋め込みはまた、モデルが見たことのないボアホール上で、トレーニングを欠いた物理的特性を予測する。
• 参考スコア（独自算出の注目度）: 4.211463778317431
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific drilling has produced large archives of physical, chemical and magnetic measurements linked to descriptions of the rock recovered. These archives are mostly incomplete: instruments sample at different intervals, recovery is partial, and destructive analyses preclude later measurement of the same material. We train an self-supervised embedding model on the LILY ocean drilling database using six routinely logged properties (bulk density, magnetic susceptibility, natural gamma radiation, and red, green and blue reflectance) across 236,963 observations from 296 boreholes, with a masked variational autoencoder that has a heteroscedastic Gaussian decoder and learnable mask tokens. The embeddings separate geologist-assigned lithologies as well as a variant trained with those labels, and increasing the weight on the labels degrades reconstruction while leaving classification unchanged. The labels are recoverable from the measurements geologists use to assign them, so training on them adds nothing. Lithological categories compress continuous measurements into classes, and compressing them discards what the measurements record about the processes that produced the rock. The embeddings also predict physical properties that were absent from training, on boreholes the model has never seen. While depth should account for this since sediments compact with burial, it does not. On held-out boreholes depth alone reaches a median $R^2$ of -0.02, against 0.20 for the embedding.
• Abstract（参考訳）: 科学的掘削は、回収された岩石の記述に関連する物理的、化学的、磁気的測定の大規模なアーカイブを生み出した。 これらのアーカイブはほとんど不完全であり、異なる間隔でサンプルを採取し、回復は部分的であり、破壊的な分析は後に同じ物質の測定を妨げている。 我々は296ボアホールからの236,963個の観測において,6つの定期的な記録特性(バルク密度,磁化率,自然ガンマ放射,赤,緑,青反射率)を用いて,LILY海洋掘削データベース上に自己監督型埋没モデルを訓練し,ヘテロセダスティックなガウスデコーダと学習可能なマスクトークンを備えたマスク付き変分オートエンコーダを用いた。 埋め込みは地質学者が指定したリソロジーと、それらのラベルで訓練された変種を分離し、ラベルの重みを増し、分類をそのまま残しながら復元を低下させる。 ラベルは地質学者が割り当てに使用する測定値から復元可能であるため、トレーニングには何の役にも立たない。 リソロジーのカテゴリーは連続的な測定をクラスに圧縮し、それを圧縮することで、岩を生成した過程に関する測定記録を破棄する。 埋め込みはまた、モデルが見たことのないボアホール上で、トレーニングを欠いた物理的特性を予測する。 堆積物は埋葬とコンパクトであるため、深さは考慮すべきであるが、そうではない。 ホールドアウトボアホールの深さは、埋め込みの0.20に対して、中央値のR^2$-0.02に達する。

関連論文リスト

• Watermark Basins: Black-Box Detection of Distilled LLMs [49.09963505991933]
  原語モデルとその推論トレースは、APIベースの蒸留に弱い。 蒸留の証拠を得るために、モデル提供者は教師の出力を透かし、生徒の出力に放射性信号を残そうとする。 既存のブラックボックス検出器は、疑似モデルの出力のトークンレベル統計を用いてそのような放射能を探索する。 ブラックボックス型透かし検知器であるWatermark Basin Alignment (WM-Basin) を導入し,そのAPIを用いて被疑者を問う。
  論文  参考訳（メタデータ） (2026-10-27T13:59:34Z)
• Simulated petrological labels enable probabilistic mineralogy prediction from whole-rock geochemistry [0.0]
  地化学科学における機械学習モデルは、不完全なシミュレータを利用して、その体系的なバイアスを軽減することができる。 この研究は、地球化学科学における機械学習モデルが不完全なシミュレータを活用し、その体系的なバイアスを軽減する方法を示す。
  論文  参考訳（メタデータ） (2026-10-27T00:23:21Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• Self-Validated Learning for Particle Separation: A Correctness-Based Self-Training Framework Without Human Labels [0.0]
  粒子レベル特性の定量化には, 大規模多粒子試料の非破壊3次元イメージングが不可欠である。 本稿では,粒子インスタンスセグメンテーションのための新しい自己学習フレームワークである自己検証学習を提案する。 提案手法は, 粒子の体積の97%以上を正確に区分し, 石英断片のトモグラフィースキャンで54,000個以上の粒子を同定する。
  論文  参考訳（メタデータ） (2025-08-22T08:54:11Z)
• Why Can Accurate Models Be Learned from Inaccurate Annotations? [48.528799044535155]
  誤ったラベルが存在するにもかかわらず、ノイズの多いデータに基づいて訓練されたモデルは、しばしば正確な予測を行う能力を保持する。 この興味深い現象は、なぜモデルが不正確なアノテーションから正確なラベル情報を抽出できるのかという根本的な疑問を提起する。 ラベルの不正確さによって生じるノイズを軽減しつつ,分類器が主部分空間情報の保持を支援する軽量なプラグインであるLIPを提案する。
  論文  参考訳（メタデータ） (2025-05-22T03:00:15Z)
• Probabilistic Classification of Near-Surface Shallow-Water Sediments using A Portable Free-Fall Penetrometer [0.0]
  本研究では,携帯型自由落下ペネトロメータ(PFFP)データに基づく堆積挙動分類システムを構築するための革新的なアプローチを提案する。 提案モデルでは,セキム湾(ワシントン),ポトマック川,ヨーク川(ヴァージニア)など複数の地点から得られたPFFPの測定値を利用する。
  論文  参考訳（メタデータ） (2024-09-30T20:51:59Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• AI for Porosity and Permeability Prediction from Geologic Core X-Ray Micro-Tomography [0.0]
  岩盤の物理的特性を予測するために,非常に小さなCNN変換器モデルを用いた自己教師付き事前学習を提案する。 この手法は, 極端に小さなデータセットであっても過度に適合しないことを示す。
  論文  参考訳（メタデータ） (2022-05-26T06:55:03Z)
• Crack detection using tap-testing and machine learning techniques to prevent potential rockfall incidents [68.8204255655161]
  本稿では,岩盤の自動探傷システムを提案する。 ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。 音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
  論文  参考訳（メタデータ） (2021-10-10T22:53:36Z)
• Exploratory Machine Learning with Unknown Unknowns [60.78953456742171]
  本稿では,他のラベルと誤認識されたトレーニングデータに未知のクラスが存在するという,新たな問題設定について検討する。 本研究では,潜在的に隠蔽されたクラスを発見するために,機能空間を積極的に拡張することにより,学習データを調べ,調査する探索機械学習を提案する。
  論文  参考訳（メタデータ） (2020-02-05T02:06:56Z)

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。