論文の概要: A Survey of Deep Learning for Scientific Discovery

• arxiv url: http://arxiv.org/abs/2003.11755v1
• Date: Thu, 26 Mar 2020 06:16:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 21:04:39.541338
• Title: A Survey of Deep Learning for Scientific Discovery
• Title（参考訳）: 科学的発見のための深層学習に関する調査
• Authors: Maithra Raghu, Eric Schmidt
• Abstract要約: 私たちは、ディープラーニングにおけるコア問題における根本的なブレークスルーを、主にディープニューラルネットワークの進歩によって見てきた。 幅広い科学領域で収集されるデータの量は、サイズと複雑さの両方で劇的に増加しています。 これは、科学的な設定でディープラーニングを応用するための多くのエキサイティングな機会を示唆している。
• 参考スコア（独自算出の注目度）: 13.372738220280317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the past few years, we have seen fundamental breakthroughs in core problems in machine learning, largely driven by advances in deep neural networks. At the same time, the amount of data collected in a wide array of scientific domains is dramatically increasing in both size and complexity. Taken together, this suggests many exciting opportunities for deep learning applications in scientific settings. But a significant challenge to this is simply knowing where to start. The sheer breadth and diversity of different deep learning techniques makes it difficult to determine what scientific problems might be most amenable to these methods, or which specific combination of methods might offer the most promising first approach. In this survey, we focus on addressing this central issue, providing an overview of many widely used deep learning models, spanning visual, sequential and graph structured data, associated tasks and different training methods, along with techniques to use deep learning with less data and better interpret these complex models --- two central considerations for many scientific use cases. We also include overviews of the full design process, implementation tips, and links to a plethora of tutorials, research summaries and open-sourced deep learning pipelines and pretrained models, developed by the community. We hope that this survey will help accelerate the use of deep learning across different scientific domains.
• Abstract（参考訳）: 過去数年間、深層ニューラルネットワークの進歩によって主に引き起こされる機械学習のコア問題において、基本的なブレークスルーが見られた。 同時に、幅広い科学領域で収集されたデータ量は、サイズと複雑さの両方において劇的に増加している。 まとめると、これは科学的な設定でディープラーニングを応用するための多くのエキサイティングな機会を示唆している。 しかし、これに対する大きな課題は、どこから始めるべきかを知ることだ。 さまざまな深層学習技術の広さと多様性は、これらの方法に最も適応可能な科学的問題や、最も有望な最初のアプローチを提供する方法の特定の組み合わせを決定するのを難しくしている。 この調査では、この中心的な問題に対処することに集中し、視覚、シーケンシャル、グラフ構造化データ、関連するタスク、異なるトレーニングメソッドにまたがる多くの広く使われているディープラーニングモデルの概要と、より少ないデータでディープラーニングを使い、これらの複雑なモデルをよりよく解釈するテクニックを提供する。 また、コミュニティによって開発されたチュートリアルや研究要約、オープンソースのディープラーニングパイプライン、事前訓練済みモデルなど、完全な設計プロセスの概要、実装ヒント、リンクも含んでいます。 この調査が、さまざまな科学領域におけるディープラーニングの利用を加速させることを願っている。

関連論文リスト

• Deep Learning for Educational Data Science [0.6138671548064356]
  ユースケースは、オープンエンドの学生エッセイやコードのスニペットを活用する高度な知識追跡モデルから、自動影響検知や行動検出まで、さまざまです。 この章は、ディープラーニングの簡単な紹介、その利点と限界のいくつかの説明、教育における多くの利用に関する調査、そしてそれが教育データ科学の分野をさらに形成させる可能性について論じている。
  論文  参考訳（メタデータ） (2024-04-12T19:17:14Z)
• A Survey on State-of-the-art Deep Learning Applications and Challenges [0.0]
  ディープラーニングモデルの構築は、アルゴリズムの複雑さと現実世界の問題の動的な性質のため、難しい。 本研究の目的は,コンピュータビジョン,自然言語処理,時系列解析,広範コンピューティングにおける最先端のディープラーニングモデルを網羅的にレビューすることである。
  論文  参考訳（メタデータ） (2024-03-26T10:10:53Z)
• Deep Learning in Single-Cell Analysis [34.08722045363822]
  単細胞技術は生物学全般に革命をもたらしている。 ディープラーニングは、従来の機械学習手法よりも優れたパフォーマンスを示すことが多い。 この調査は生物学者やコンピュータ科学者の参考となり、コラボレーションを奨励する。
  論文  参考訳（メタデータ） (2022-10-22T08:26:41Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Deep Long-Tailed Learning: A Survey [163.16874896812885]
  ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。 長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。 本稿では,近年の長期学習の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-10-09T15:25:22Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Discussion of Ensemble Learning under the Era of Deep Learning [4.061135251278187]
  深層学習のアンサンブル化は,学習システムの一般化に大きく貢献している。 複数のベース深層学習者のトレーニングとアンサンブル深層学習者によるテストのための時間と空間のオーバーヘッドは、従来のアンサンブル学習よりもはるかに大きい。 緊急に解決すべき問題は、必要な時間と空間のオーバーヘッドを減らしながら、ディープラーニングをアンサンブルする大きな利点をいかに活用するかである。
  論文  参考訳（メタデータ） (2021-01-21T01:33:23Z)
• Structure preserving deep learning [1.2263454117570958]
  深層学習は、大きな関心事のトピックとして、前景に浮かび上がっています。 ディープラーニングの適用には、いくつかの挑戦的な数学的問題がある。 既存のディープラーニング手法の構造を数学的に理解する努力が増えている。
  論文  参考訳（メタデータ） (2020-06-05T10:59:09Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)

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。