论文发现用专家岩性标签训练未提升沉积物属性预测。
资讯摘要
论文在LILY海洋钻探数据库上训练自监督嵌入模型，使用六个常规测井属性、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token的掩码变分自编码器。作者报告，嵌入对地质学家标注岩性的区分效果与用标签训练的变体相当；提高标签权重会降低重建质量，但分类效果不变。作者认为标签可从测井测量中恢复，因此用其训练没有增益。嵌入还能预测训练中缺失的物理属性，在未见钻孔上中位R²为0.20，而仅用深度为-0.02。
要点速读
- 论文在LILY数据库上用六个常规测井属性训练掩码变分自编码器嵌入模型，覆盖296个钻孔、236,963条观测。
- 作者报告，加入专家岩性标签训练未改善岩性分类，提高标签权重反而降低重建质量。
- 嵌入可预测训练中未包含的物理属性，在未见钻孔上中位R²为0.20，仅用深度为-0.02。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。