論文の概要: Deep Learning in Science
- arxiv url: http://arxiv.org/abs/2009.01575v2
- Date: Fri, 4 Sep 2020 12:17:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 23:04:25.935932
- Title: Deep Learning in Science
- Title（参考訳）: 科学の深層学習
- Authors: Stefano Bianchini, Moritz M\"uller and Pierre Pelletier
- Abstract要約: 本稿では,科学におけるディープラーニングの拡散と影響について考察する。
我々はarXiv.orgの出版コーパスに対して自然言語処理(NLP)アプローチを用いる。
以上の結果から,DLは複雑な知識ランドスケープをナビゲートし,その構造を覆す自動操縦機として機能していないことが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Much of the recent success of Artificial Intelligence (AI) has been spurred
on by impressive achievements within a broader family of machine learning
methods, commonly referred to as Deep Learning (DL). This paper provides
insights on the diffusion and impact of DL in science. Through a Natural
Language Processing (NLP) approach on the arXiv.org publication corpus, we
delineate the emerging DL technology and identify a list of relevant search
terms. These search terms allow us to retrieve DL-related publications from Web
of Science across all sciences. Based on that sample, we document the DL
diffusion process in the scientific system. We find i) an exponential growth in
the adoption of DL as a research tool across all sciences and all over the
world, ii) regional differentiation in DL application domains, and iii) a
transition from interdisciplinary DL applications to disciplinary research
within application domains. In a second step, we investigate how the adoption
of DL methods affects scientific development. Therefore, we empirically assess
how DL adoption relates to re-combinatorial novelty and scientific impact in
the health sciences. We find that DL adoption is negatively correlated with
re-combinatorial novelty, but positively correlated with expectation as well as
variance of citation performance. Our findings suggest that DL does not (yet?)
work as an autopilot to navigate complex knowledge landscapes and overthrow
their structure. However, the 'DL principle' qualifies for its versatility as
the nucleus of a general scientific method that advances science in a
measurable way.
- Abstract（参考訳）: 近年の人工知能(AI)の成功の多くは、Deep Learning (DL)と呼ばれる機械学習手法の幅広いファミリにおける印象的な成果によって引き起こされている。
本稿では,科学におけるDLの拡散と影響について考察する。
arXiv.orgのパブリッシングコーパスに対する自然言語処理(NLP)アプローチを通じて,新たなDL技術を明確にし,関連する検索語のリストを同定する。
これらの用語により,全科学分野のDL関連出版物を検索することができる。
このサンプルに基づいて, DL拡散過程を科学的システムに記録する。
見つけました
一 あらゆる科学及び世界中の研究ツールとしてのdlの採用の指数関数的な増加。
二 DL適用領域における地域分化及び
三 学際的なDL出願からアプリケーション領域内の学際的研究への移行
第2のステップでは,DL手法の採用が科学的発展にどのように影響するかを検討する。
そこで我々は,DL導入が健康科学における組換えの新規性と科学的影響に与える影響を実証的に評価した。
DL導入は組換えの新規性と負の相関がみられたが,期待と励振性能のばらつきは正の相関がみられた。
以上の結果から,DLは複雑な知識ランドスケープをナビゲートし,その構造を覆す自動操縦機として機能していないことが示唆された。
しかし、「DL原則」は、科学を計測可能な方法で発展させる一般的な科学的手法の核として、その汎用性に適している。
関連論文リスト
- Science-Informed Deep Learning (ScIDL) With Applications to Wireless Communications [11.472232944923558]
本稿では,ScIDL(Science-informed Deep Learning)に関するチュートリアルを紹介する。
ScIDLは、既存の科学知識をDL技術と統合し、より強力なアルゴリズムを開発することを目的としている。
我々は、ScidLの最近の応用と、無線通信分野における今後の研究方向性について論じる。
論文 参考訳（メタデータ） (2024-06-29T02:35:39Z) - A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。
我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
論文 参考訳（メタデータ） (2024-06-16T08:03:24Z) - Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。
計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
論文 参考訳（メタデータ） (2024-04-01T17:45:15Z) - Scientific Large Language Models: A Survey on Biological & Chemical Domains [47.97810890521825]
大規模言語モデル(LLM)は、自然言語理解の強化において、変革的な力として現れてきた。
LLMの応用は従来の言語境界を超えて、様々な科学分野で開発された専門的な言語システムを含んでいる。
AI for Science(AI for Science)のコミュニティで急成長している分野として、科学LLMは包括的な探査を義務付けている。
論文 参考訳（メタデータ） (2024-01-26T05:33:34Z) - Deep Learning in Healthcare: An In-Depth Analysis [1.892561703051693]
本稿では,Deep Learningモデルとそのバイオインフォマティクスおよび医療への応用について概説する。
また、DL研究の実施中に現われうるいくつかの重要な課題についても検討する。
論文 参考訳（メタデータ） (2023-02-12T20:55:34Z) - Modeling Information Change in Science Communication with Semantically
Matched Paraphrases [50.67030449927206]
SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。
SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。
SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
論文 参考訳（メタデータ） (2022-10-24T07:44:38Z) - Machine Learning vs. Deep Learning in 5G Networks -- A Comparison of
Scientific Impact [0.0]
機械学習(ML)とディープラーニング(DL)技術は5Gネットワークで使用されている。
本研究の目的は, この2つの手法の科学的影響の違いを, 統計文献学を用いて明らかにすることである。
Web of Science (WoS)データベースは、MLのための2245の論文とDL関連の研究のための1407の論文をホストしている。
論文 参考訳（メタデータ） (2022-10-13T19:54:17Z) - Zeroth-Order SciML: Non-intrusive Integration of Scientific Software
with Deep Learning [46.924429562606086]
本稿では,SKSと深層学習(DL)の学習プロセスを統合することを提案する。
既存の知識統合アプローチは、一階のDLトレーニングパラダイムと互換性のある差別化可能な知識ソースを使用することに限定されます。
提案手法は、DLトレーニングと科学的知識を効果的に統合し、データ限定科学応用のための純粋にデータ駆動モデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-06-04T17:52:42Z) - An overview of deep learning in medical imaging [0.0]
ディープラーニング(DL)システムは、幅広い分野にまたがる最先端のMLシステムである。
最近の進歩は医療分野に多大な改善をもたらす可能性がある。
近年,医療用画像用DLの分野での問題点が報告されている。
論文 参考訳（メタデータ） (2022-02-17T09:44:57Z) - A Survey of Deep Active Learning [54.376820959917005]
アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。
ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。
ディープラーニング(Deep Active Learning, DAL)が誕生した。
論文 参考訳（メタデータ） (2020-08-30T04:28:31Z)
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。