Résumé technique : L'équilibre des modalités régit le gain de la fusion de données multi-sources en cartographie de la prospectivité minérale

1. Énoncé du problème

La cartographie de la prospectivité minérale (MPM) repose de plus en plus sur la fusion de multiples sources de données géoscientifiques (géologiques, géophysiques, géochimiques, télédétection) pour identifier des gisements profonds et dissimulés. Une hypothèse prédominante mais non testée dans le domaine est que « plus de données, c'est mieux » — plus précisément, que la concaténation de toutes les couches de preuves disponibles dans un modèle unique améliore invariablement la précision prédictive par rapport à la source unique la plus forte.

Les auteurs soutiennent que cette hypothèse est erronée pour deux raisons principales :

1. Limites théoriques : La théorie des ensembles dicte que la combinaison de modèles ne produit des bénéfices que si les membres sont à la fois précis et divers. Si des modalités faibles ou redondantes sont ajoutées à des modalités fortes, elles peuvent diluer le signal discriminatif plutôt que de l'affiner.
2. Pièges d'évaluation : Les études existantes souffrent souvent de fuite de données (data leakage, en ajustant les poids de fusion sur les données de test) et de biais d'autocorrélation spatiale (la validation croisée aléatoire plaçant des échantillons spatialement adjacents à la fois dans l'ensemble d'entraînement et l'ensemble de test), ce qui conduit à des affirmations de précision gonflées qui ne reflètent pas une véritable synergie multi-sources.

La question de recherche centrale est la suivante : Sous quelles conditions spécifiques la fusion multi-sources surpasse-t-elle réellement la modalité unique la plus forte, et quand cet avantage disparaît-il ?

2. Méthodologie

Le document propose un cadre de diagnostic pré-fusion plutôt qu'un nouvel algorithme prédictif. La méthodologie repose sur un véhicule d'analyse « sans fuite » et une expérience de perturbation contrôlée.

2.1. Le véhicule d'analyse : Fusion tardive pondérée par la discriminabilité

Les auteurs utilisent une approche de fusion tardive en deux étapes pour mesurer le potentiel de fusion sans s'engager dans un prédicteur final :

• Étape 1 (Experts de modalité) : Des modèles distincts (Forêts Aléatoires) sont entraînés sur des sous-ensembles de modalités disjoints. Des probabilités hors échantillon (out-of-fold, OOF) sont générées pour estimer la discriminabilité ($a_m$) de chaque modalité via l'AUC-ROC.
• Étape 2 (Fusion pondérée) : Les experts sont combinés à l'aide de poids ($w_m$) dérivés strictement de leur discriminabilité : $w_m \propto \max(a_m - 0.5, \epsilon)$. Les modalités performant au niveau ou en dessous du hasard sont supprimées.
• Protocole d'évaluation : Pour éviter la fuite de données, une validation croisée imbriquée (nested cross-validation) est employée. Les boucles internes estiment les discriminabilités et les poids des modalités ; les boucles externes évaluent le modèle fusionné sur des données non touchées. Cela garantit que le « gain de fusion » est mesuré honnêtement par rapport à une ligne de base bien ajustée (par exemple, une Forêt Aléatoire sur des caractéristiques concaténées).

2.2. Métriques clés

Deux quantités sont définies pour diagnostiquer la viabilité de la fusion avant l'intégration complète :

1. Indice de déséquilibre des modalités ($s$) : L'écart-type des discriminabilités par modalité.
   • $s \to 0$ : Les modalités sont équilibrées.
   • $s \to \text{élevé}$ : Une modalité domine.
2. Gain de fusion ($\Delta$) : L'amélioration du modèle fusionné par rapport à la modalité unique la plus forte ($\Delta = \text{AUC}_{\text{fusion}} - \max(a_m)$).

2.3. Expérience de perturbation et analyse de point de rupture

Pour passer de l'observation anecdotique à une règle quantitative, les auteurs ont mené une expérience de perturbation de l'équilibre des modalités sur le jeu de données principal :

• Procédure : Un bruit gaussien a été injecté dans les modalités non dominantes à 12 niveaux sur 15 graines aléatoires (180 points de données au total), dégradant artificiellement leur discriminabilité tout en maintenant la modalité la plus forte fixe.
• Test statistique : Une régression segmentée avec un point de rupture unique ($\tau$) a été ajustée sur la relation entre le déséquilibre ($s$) et le gain ($\Delta$). La signification de la rupture de pente a été validée par des tests de permutation.

3. Résultats clés

3.1. Le résultat de précision « honnête »

Sur le jeu de données équilibré de porphyre de Cu de Lachlan (479 échantillons, 5 modalités, corrélation moyenne des experts de 0,82) :

• La fusion tardive pondérée par la discriminabilité a obtenu l'AUC-ROC la plus élevée (0,9944).
• Cependant, cela était statistiquement indiscernable d'une ligne de base de Forêt Aléatoire bien ajustée (0,9917, $p > 0,05$).
• Conclusion : Lorsque les modalités sont à la fois équilibrées et hautement corrélées (redondantes), le gain absolu de précision de la fusion est intrinsèquement faible. La valeur de la fusion dans ce régime réside dans l'interprétabilité et la frontière diagnostique, et non dans un bond massif de la précision.

3.2. La frontière du gain de fusion

L'expérience de perturbation a révélé une corrélation négative forte entre le déséquilibre et le gain ($r = -0,679$) :

• Régime de transition ($s \lesssim 0,11$) : À mesure que le déséquilibre augmente, le gain de fusion diminue de manière monotone. Le gain croise zéro près de $s \approx 0,08$.
• Régime de saturation ($s \gtrsim 0,11$) : Une fois que les modalités non dominantes se dégradent de manière significative, le gain sature près de zéro (ou devient légèrement négatif). La fusion pondérée « se dégrade en toute sécurité » vers la performance de la modalité unique la plus forte en supprimant les entrées faibles.
• Point de rupture : Une rupture de pente statistiquement significative a été identifiée à $\tau = 0,111$ (permutation $p = 0,0001$), confirmant une frontière objective où la fusion cesse de fournir un rendement positif.

3.3. Corroboration sur des données déséquilibrées

Sur le jeu de données de terres rares de Curnamona (dominé par la radiométrie, $s = 0,177$) :

• La modalité unique la plus forte (radiométrie) a atteint un AUC de 0,78.
• La performance de la fusion est tombée à 0,73 ($\Delta = -0,051$).
• Cela confirme le résultat directionnel : lorsque une modalité domine et que les autres sont faibles, la fusion indiscriminée nuit à la performance.

3.4. Mécanisme : Équilibre vs Complémentarité

L'étude clarifie que deux facteurs régissent le succès de la fusion :

1. Équilibre ($s$) : Nécessaire pour répartir les poids entre les modalités.
2. Complémentarité : Les experts doivent commettre des erreurs différentes. Sur le jeu de données de Lachlan, malgré des AUC équilibrées, la corrélation élevée des probabilités d'experts (moyenne de 0,82) signifiait que les erreurs étaient redondantes, limitant le terme d'« ambiguïté » dans la théorie des ensembles et plafonnant le gain.

4. Signification et affirmations

L'article se positionne non pas comme une proposition de nouveau prédicteur, mais comme un cadre de diagnostic pour contester le dogme du « plus de données, c'est mieux » en MPM.

• Prise de décision pré-fusion : Les auteurs soutiennent que l'indice de déséquilibre et la complémentarité doivent être estimés avant la fusion. Si l'indice de déséquilibre $s$ est élevé, le bénéfice attendu est limité ou négatif, et la modalité unique la plus forte devrait être préférée.
• Frontière quantitative : L'étude fournit des preuves empiriques (spécifiques au jeu de données et à la conception de la perturbation) que le gain de fusion n'est pas une augmentation monotone du volume de données, mais une fonction de la distribution des modalités.
• Rigueur méthodologique : En utilisant une validation croisée imbriquée et en évitant la fuite de données, l'article fournit un compte rendu « honnête » des gains de fusion, révélant que dans les scénarios équilibrés et à haute corrélation, le gain par rapport à une ligne de base solide est souvent négligeable.
• Limites reconnues : Les auteurs précisent explicitement que les seuils numériques ($s^* \approx 0,08, \tau = 0,111$) sont des estimations empiriques propres à l'étude, et non des constantes universelles. Ils notent également que les scores absolus peuvent être gonflés par l'autocorrélation spatiale, bien que le gain relatif ($\Delta$) soit plus robuste.

En résumé, l'article conclut que la fusion multi-sources est une stratégie conditionnelle. Sa valeur est maximisée lorsque les modalités sont équilibrées et complémentaires ; elle n'offre aucun avantage (et peut même être un inconvénient) lorsque les modalités sont déséquilibrées ou hautement redondantes.