arXiv cs.AI· John M. Aiken, William Gilpin, Thorsten W. Becker·· 12 小时前AI 评分23
研究：用专家岩性标签训练并不能提升海洋沉积物属性预测
Expert lithological labels do not improve learning when used to predict marine sediment properties
AI 导读
在 LILY 海洋钻探数据库 296 个钻孔的 236,963 条观测上训练的掩码变分自编码器嵌入，对地质学家标注岩性的区分效果与带标签训练的变体相当，提高标签权重反而降低重建质量。研究者指出标签可从地质学家据以分类的测量中还原，因此用标签训练没有增益。该嵌入在未见钻孔上预测训练中缺失的物理属性，中位 R² 为 0.20，而仅用深度为 -0.02。
正文 · AI 翻译
摘要：科学钻探产生了大量与所取岩心描述相关联的物理、化学和磁学测量数据档案。这些档案大多不完整：仪器以不同间隔采样，取心不完整，且破坏性分析使同一材料无法再被后续测量。我们在 LILY 海洋钻探数据库上训练了一个自监督嵌入模型，使用六种常规测井属性（体积密度、磁化率、自然伽马辐射，以及红、绿、蓝反射率），涵盖来自 296 个钻孔的 236,963 条观测，采用带异方差高斯解码器和可学习掩码标记的掩码变分自编码器。这些嵌入对地质学家所分配岩性的区分效果，与用这些标签训练的变体相当；而增加标签权重会降低重建质量，但分类效果不变。标签可以从地质学家用于分配标签的测量中恢复，因此用标签训练不会带来任何增益。岩性类别将连续测量压缩为类别，而压缩会丢弃测量中记录的关于形成岩石过程的信息。这些嵌入还能在模型从未见过的钻孔上预测训练中缺失的物理属性。虽然深度本应解释这一点，因为沉积物会随埋深压实，但事实并非如此。在留出钻孔上，仅深度达到的中位 $R^2$ 为 -0.02，而嵌入为 0.20。
| 学科： | 地球物理（physics.geo-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36410 [physics.geo-ph] |
| （或 arXiv:2610.36410v1 [physics.geo-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36410 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：John Aiken [查看电子邮件]
[v1]
2026年10月26日星期一 23:43:29 UTC（2,797 KB）
来源：arXiv cs.AI · arxiv.org