論文の概要: Deep Learning for Information Systems Research

• arxiv url: http://arxiv.org/abs/2010.05774v1
• Date: Wed, 7 Oct 2020 15:23:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 21:42:02.968592
• Title: Deep Learning for Information Systems Research
• Title（参考訳）: 情報システム研究のための深層学習
• Authors: Sagar Samtani, Hongyi Zhu, Balaji Padmanabhan, Yidong Chai, Hsinchun Chen
• Abstract要約: 21世紀には人工知能(AI)が重要な破壊的技術として急速に台頭している。 Deep Learning(DL)は、今日のプラットフォームや組織が前例のない効率、有効性、スケールで運用できるようにする、新たなアルゴリズムのクラスである。 DLのISコントリビューションは、大きな関心をよそに制限されているが、その一部は、DL研究の定義、位置決め、実施に関する問題によるものであると我々は主張する。
• 参考スコア（独自算出の注目度）: 12.509120097898482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence (AI) has rapidly emerged as a key disruptive technology in the 21st century. At the heart of modern AI lies Deep Learning (DL), an emerging class of algorithms that has enabled today's platforms and organizations to operate at unprecedented efficiency, effectiveness, and scale. Despite significant interest, IS contributions in DL have been limited, which we argue is in part due to issues with defining, positioning, and conducting DL research. Recognizing the tremendous opportunity here for the IS community, this work clarifies, streamlines, and presents approaches for IS scholars to make timely and high-impact contributions. Related to this broader goal, this paper makes five timely contributions. First, we systematically summarize the major components of DL in a novel Deep Learning for Information Systems Research (DL-ISR) schematic that illustrates how technical DL processes are driven by key factors from an application environment. Second, we present a novel Knowledge Contribution Framework (KCF) to help IS scholars position their DL contributions for maximum impact. Third, we provide ten guidelines to help IS scholars generate rigorous and relevant DL-ISR in a systematic, high-quality fashion. Fourth, we present a review of prevailing journal and conference venues to examine how IS scholars have leveraged DL for various research inquiries. Finally, we provide a unique perspective on how IS scholars can formulate DL-ISR inquiries by carefully considering the interplay of business function(s), application areas(s), and the KCF. This perspective intentionally emphasizes inter-disciplinary, intra-disciplinary, and cross-IS tradition perspectives. Taken together, these contributions provide IS scholars a timely framework to advance the scale, scope, and impact of deep learning research.
• Abstract（参考訳）: 21世紀には人工知能(AI)が重要な破壊的技術として急速に台頭している。 現代のAIの中心には、今日のプラットフォームや組織が前例のない効率性、有効性、スケールで運用できるようにする、新たなアルゴリズムのクラスであるDeep Learning(DL)がある。 DLのISコントリビューションは、大きな関心をよそに制限されており、その一部は、DL研究の定義、位置決め、実施に関する問題である。 ISコミュニティにとっての素晴らしい機会を認識し、この研究は、IS学者がタイムリーかつハイインパクトな貢献を行うためのアプローチを明確にし、合理化し、提示する。 この広範な目標に関連して,本稿では5つのタイムリーな貢献を行う。 まず、DLの主要なコンポーネントを、アプリケーション環境の重要な要素によって、技術的DLプロセスがどのように駆動されるかを示す、新しいDL-ISR(Deep Learning for Information Systems Research)スキーマで体系的に要約する。 第2に,IS研究者のDL貢献度を最大化するための新しい知識貢献フレームワーク(KCF)を提案する。 第3に、IS学者が厳格で関連するDL-ISRを体系的で高品質な方法で作成するための10のガイドラインを提供する。 第4に,広く普及している学術誌や会議会場のレビューを行い,研究者がdlを様々な調査にどのように活用しているかについて検討する。 最後に,IS学者がビジネス機能,アプリケーション領域,KCFの相互運用を慎重に検討し,DL-ISR問合せを定式化する方法について,ユニークな視点を提供する。 この観点は、学際的、学内的、およびIS間の伝統的な視点を意図的に強調する。 これらの貢献により、ISの学者は、深層学習研究の規模、範囲、および影響を高めるためのタイムリーな枠組みを提供する。

関連論文リスト

• Automating Chapter-Level Classification for Electronic Theses and Dissertations [0.0]
  本稿では,ETDチャプタを自動的に分類する機械学習とAI駆動型ソリューションを提案する。 この解決策は、発見可能性を改善し、章の理解を促進することを目的としている。 我々は、学際的な研究を支援し、ETDをよりアクセスしやすくすることを目指している。
  論文  参考訳（メタデータ） (2024-11-26T17:27:18Z)
• Synergizing Knowledge Graphs with Large Language Models: A Comprehensive Review and Future Prospects [5.851598378610756]
  本稿では,知識グラフと大規模言語モデルの統合における最新の展開を包括的に分析する。 我々は,コグネート分野に携わる学者のさらなる探索を解明し,促進するために設計された統一的な枠組みを導入する。
  論文  参考訳（メタデータ） (2024-07-26T02:39:30Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• A Survey on Knowledge Distillation of Large Language Models [99.11900233108487]
  知識蒸留(KD)は、高度な能力をオープンソースモデルに転送するための重要な方法論である。 本稿では,大規模言語モデル(LLM)の領域におけるKDの役割を包括的に調査する。
  論文  参考訳（メタデータ） (2024-02-20T16:17:37Z)
• A Systematic Literature Review on Explainability for Machine/Deep Learning-based Software Engineering Research [23.966640472958105]
  本稿では,ソフトウェア工学の文脈におけるAIモデルの説明可能性の向上を目的とした,体系的な文献レビューを行う。 我々は,XAI技術がこれまで成功してきたSEタスク,(2)異なるXAI手法の分類と分析,(3)既存の評価手法を考察することを目的としている。
  論文  参考訳（メタデータ） (2024-01-26T03:20:40Z)
• Beyond Factuality: A Comprehensive Evaluation of Large Language Models as Knowledge Generators [78.63553017938911]
  大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。 しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。 本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
  論文  参考訳（メタデータ） (2023-10-11T08:22:37Z)
• Fairness in Recommender Systems: Research Landscape and Future Directions [119.67643184567623]
  本稿は,近年の地域におけるフェアネスの概念と概念について概観する。 この分野での研究が現在どのように行われているのかを概観する。 全体として、最近の研究成果の分析は、ある研究のギャップを示している。
  論文  参考訳（メタデータ） (2022-05-23T08:34:25Z)
• Deep Learning for Face Anti-Spoofing: A Survey [74.42603610773931]
  対面防止(FAS)は、プレゼンテーションアタック(PA)から顔認識システムを保護する上で重要な役割を担っているため、近年注目を集めている。
  論文  参考訳（メタデータ） (2021-06-28T19:12:00Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)
• Nose to Glass: Looking In to Get Beyond [0.0]
  責任ある人工知能を強化するというバナーの下で研究が増えている。 研究の目的は、アルゴリズムシステムの展開によって引き起こされる害に対処し、緩和し、最終的には軽減することである。 しかし、そのようなツールの実装は依然として少ない。
  論文  参考訳（メタデータ） (2020-11-26T06:51:45Z)
• A Systematic Literature Review on the Use of Deep Learning in Software Engineering Research [22.21817722054742]
  ソフトウェア開発タスクを自動化するために、ソフトウェア工学(SE)研究者が採用するテクニックのセットが、ディープラーニング(DL)の概念に根ざしている。 本稿では,SE & DLの交差点における研究の体系的な文献レビューを行う。 我々は、機械学習技術の特定の問題領域への適用を規定する一連の原則である学習の構成要素を中心に分析を行う。
  論文  参考訳（メタデータ） (2020-09-14T15:28:28Z)

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。