論文の概要: DOME: Recommendations for supervised machine learning validation in biology

• arxiv url: http://arxiv.org/abs/2006.16189v4
• Date: Thu, 7 Jan 2021 07:29:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 04:32:05.210906
• Title: DOME: Recommendations for supervised machine learning validation in biology
• Title（参考訳）: DOME:生物学における教師あり機械学習検証の勧告
• Authors: Ian Walsh, Dmytro Fishman, Dario Garcia-Gasulla, Tiina Titma, Gianluca Pollastri, The ELIXIR Machine Learning focus group, Jen Harrow, Fotis E. Psomopoulos and Silvio C.E. Tosatto
• Abstract要約: 現代の生物学は、しばしば予測を提供し、意思決定プロセスを改善するために機械学習に依存している。 最近、機械学習のパフォーマンスと潜在的な制限について、より精査を求める声が上がっている。 ここでは,生物学における教師付き機械学習検証の標準を確立することを目的とした,コミュニティ全体の勧告について紹介する。
• 参考スコア（独自算出の注目度）: 0.3372751145910977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern biology frequently relies on machine learning to provide predictions and improve decision processes. There have been recent calls for more scrutiny on machine learning performance and possible limitations. Here we present a set of community-wide recommendations aiming to help establish standards of supervised machine learning validation in biology. Adopting a structured methods description for machine learning based on data, optimization, model, evaluation (DOME) will aim to help both reviewers and readers to better understand and assess the performance and limitations of a method or outcome. The recommendations are formulated as questions to anyone wishing to pursue implementation of a machine learning algorithm. Answers to these questions can be easily included in the supplementary material of published papers.
• Abstract（参考訳）: 現代の生物学は、しばしば予測を提供し、意思決定プロセスを改善するために機械学習に依存している。 機械学習のパフォーマンスと潜在的な制限について、より精査を求める声が最近あった。 本稿では,生物学における機械学習の検証基準の確立を目的とした,コミュニティ全体の勧告のセットを提案する。 データ、最適化、モデル、評価(dome:structured methods description for machine learning based based data, optimization, model, evaluation)は、レビュアーと読者の両方が、メソッドや結果のパフォーマンスと限界を理解し、評価することを目的としている。 推奨事項は、機械学習アルゴリズムの実装を追求したい人なら誰でも質問として定式化される。 これらの質問に対する回答は、出版論文の補足資料に簡単に含めることができる。

関連論文リスト

• Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
  データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。 本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。 在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-24T15:25:16Z)
• Deep learning and machine learning for Malaria detection: overview, challenges and future directions [0.0]
  本研究では、さまざまな機械学習および画像処理手法を用いて、マラリアの病気を検出し予測する。 そこで本研究では,マラリア検出に広く適用可能なスマートツールとして,ディープラーニング技術の可能性を見出した。
  論文  参考訳（メタデータ） (2022-09-27T10:33:00Z)
• Explainable Predictive Process Monitoring: A User Evaluation [62.41400549499849]
  説明責任は、ブラックボックス機械学習アプローチの透明性の欠如によって動機付けられている。 予測プロセスモニタリングのための説明手法のユーザ評価を行う。
  論文  参考訳（メタデータ） (2022-02-15T22:24:21Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Learning an Explicit Hyperparameter Prediction Function Conditioned on Tasks [62.63852372239708]
  メタ学習は、観察されたタスクから機械学習の学習方法論を学び、新しいクエリタスクに一般化することを目的としている。 我々は、これらの学習手法を、全てのトレーニングタスクで共有される明示的なハイパーパラメータ予測関数の学習として解釈する。 このような設定は、メタ学習方法論が多様なクエリタスクに柔軟に適合できることを保証する。
  論文  参考訳（メタデータ） (2021-07-06T04:05:08Z)
• A Review of Formal Methods applied to Machine Learning [0.6853165736531939]
  機械学習システムの検証の新たな分野に適用される最先端の形式的手法を検討します。 我々はまず,安全クリティカルな分野であるavionic softwareにおいて確立された形式的手法とその現状を思い出す。 次に、機械学習のためにこれまでに開発された形式的手法を包括的かつ詳細にレビューし、その強みと限界を強調します。
  論文  参考訳（メタデータ） (2021-04-06T12:48:17Z)
• Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review [15.953995937484176]
  現在、自己適応システムにおける機械学習の使用に関する体系的な概要はない。 我々は、従来のモニター・アナライズ・プラン・エクユートフィードバックループ(MAPE)に基づく自己適応システムに焦点を当てる。 研究の質問は、自己適応システムにおける機械学習の使用を動機づける問題、自己適応における学習の重要なエンジニアリング側面、オープンな課題に焦点を当てている。
  論文  参考訳（メタデータ） (2021-03-06T13:45:59Z)
• Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
  ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。 この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。 決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
  論文  参考訳（メタデータ） (2021-02-23T08:07:22Z)
• Intuitiveness in Active Teaching [7.8029610421817654]
  我々は,ユーザが積極的に教えるアルゴリズムの直感性を解析する。 我々は人間と機械の相互作用の有効性を判断する体系的な方法を提案する。
  論文  参考訳（メタデータ） (2020-12-25T09:31:56Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。