留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

迁移学习及其在固体地球科学中的应用

左仁广

左仁广. 迁移学习及其在固体地球科学中的应用[J]. 地质科技通报. doi: 10.19509/j.cnki.dzkq.tb20230429
引用本文: 左仁广. 迁移学习及其在固体地球科学中的应用[J]. 地质科技通报. doi: 10.19509/j.cnki.dzkq.tb20230429
Transfer learning and its application in solid Earth geoscience[J]. Bulletin of Geological Science and Technology. doi: 10.19509/j.cnki.dzkq.tb20230429
Citation: Transfer learning and its application in solid Earth geoscience[J]. Bulletin of Geological Science and Technology. doi: 10.19509/j.cnki.dzkq.tb20230429

迁移学习及其在固体地球科学中的应用

doi: 10.19509/j.cnki.dzkq.tb20230429
基金项目: 国际级-赣南风化壳型稀土矿成矿母岩与含矿风化壳识别及资源 潜力评价(42172326)

Transfer learning and its application in solid Earth geoscience

  • 摘要: 随着地球科学进入大数据时代,机器学习成为可发现和描述数据复杂结构与模式的新兴工具,被迅速应用于固体地球科学领域。作为机器学习的一个重要子领域,深度学习通过构建多级隐含层的方式,层层递进地学习海量数据,可达到提高分类或预测效果等目的。然而机器学习模型往往需要海量数据作为支撑,从而限制了其在固体地球科学领域的广泛应用。迁移学习是针对在训练样本不足情况下的一种机器学习方法,旨在通过利用预先学习类似任务的知识来提高新任务的性能,其利用从源域学习到的知识并将其迁移到目标域,在一定程度上可以克服训练数据不足的问题。本文简要综述了迁移学习的基本概念和类别,通过分析迁移学习在固体地球科学中的典型案例,讨论了现有迁移学习方法在固体地球科学领域中面临的挑战。当前,深度迁移学习方法已经在岩石矿物自动识别与分类、地球化学异常识别等方面表现出了较大潜力,其具备提高模型泛化性能、避免过拟合的能力,在固体地球科学领域具有广阔的应用前景。

     

  • 加载中
计量
  • 文章访问数:  38
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-07-22
  • 网络出版日期:  2023-12-17

目录

    /

    返回文章
    返回