論文の概要: Deep Learning -- A first Meta-Survey of selected Reviews across Scientific Disciplines, their Commonalities, Challenges and Research Impact

• arxiv url: http://arxiv.org/abs/2011.08184v2
• Date: Wed, 17 Nov 2021 12:40:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 23:23:26.362780
• Title: Deep Learning -- A first Meta-Survey of selected Reviews across Scientific Disciplines, their Commonalities, Challenges and Research Impact
• Title（参考訳）: Deep Learning -- 科学分野、共通性、課題、研究影響を巡って選択されたレビューの最初のメタサーベイ
• Authors: Jan Egger, Antonio Pepe, Christina Gsaxner, Yuan Jin, Jianning Li, Roman Kern
• Abstract要約: この貢献は、異なる科学分野にわたる深層学習に関する選択されたレビューの最初の、ハイレベルで分類されたメタサーベイを提供する。 ディープラーニングは人工知能の分野に属し、機械は通常、ある種の人間の知性を必要とするタスクを実行する。 医療分野の全出版物のサブセットのみをカバーするPubMedだけで、2020年第3四半期の検索用語「深層学習」ですでに11,000件以上の結果が得られる。
• 参考スコア（独自算出の注目度）: 4.505014335388935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning belongs to the field of artificial intelligence, where machines perform tasks that typically require some kind of human intelligence. Similar to the basic structure of a brain, a deep learning algorithm consists of an artificial neural network, which resembles the biological brain structure. Mimicking the learning process of humans with their senses, deep learning networks are fed with (sensory) data, like texts, images, videos or sounds. These networks outperform the state-of-the-art methods in different tasks and, because of this, the whole field saw an exponential growth during the last years. This growth resulted in way over 10,000 publications per year in the last years. For example, the search engine PubMed alone, which covers only a sub-set of all publications in the medical field, provides already over 11,000 results in Q3 2020 for the search term 'deep learning', and around 90% of these results are from the last three years. Consequently, a complete overview over the field of deep learning is already impossible to obtain and, in the near future, it will potentially become difficult to obtain an overview over a subfield. However, there are several review articles about deep learning, which are focused on specific scientific fields or applications, for example deep learning advances in computer vision or in specific tasks like object detection. With these surveys as a foundation, the aim of this contribution is to provide a first high-level, categorized meta-survey of selected reviews on deep learning across different scientific disciplines. The categories (computer vision, language processing, medical informatics and additional works) have been chosen according to the underlying data sources (image, language, medical, mixed). In addition, we review the common architectures, methods, pros, cons, evaluations, challenges and future directions for every sub-category.
• Abstract（参考訳）: ディープラーニングは人工知能の分野に属し、機械は通常、ある種の人間の知性を必要とするタスクを実行する。 脳の基本構造と同様に、深層学習アルゴリズムは、生物学的脳構造に類似したニューラルネットワークで構成されている。 深層学習ネットワークは、人間の学習プロセスをその感覚で模倣し、テキスト、画像、ビデオ、音声などの(知覚的な)データに供給される。 これらのネットワークは、様々なタスクにおける最先端の手法よりも優れており、このため、過去数年間で分野全体が指数関数的に成長した。 この成長は、過去数年間に年間1万冊以上の出版物を生み出した。 例えば、医療分野の全出版物のサブセットのみをカバーする検索エンジンPubMedは、2020年第3四半期に「深層学習」という検索用語ですでに11,000件以上の結果を提供しており、その結果の約90%は過去3年間のものである。 したがって、ディープラーニングの分野に関する完全な概観を得ることは、すでに不可能であり、近い将来、サブフィールドに関する概観を得ることが困難になる可能性がある。 しかし、コンピュータービジョンにおけるディープラーニングの進歩やオブジェクト検出のような特定のタスクなど、特定の科学分野や応用に焦点を当てたディープラーニングに関するレビュー記事がいくつかある。 これらの調査を基礎として、この貢献の目的は、異なる科学分野にわたる深層学習に関する選抜されたレビューの分類されたメタサーベイを初めて提供することである。 基本的なデータソース(画像、言語、医療、混合)に応じて、カテゴリ(コンピュータビジョン、言語処理、医療情報学、その他)が選択されている。 さらに,各サブカテゴリの共通アーキテクチャ,メソッド,プロ,コン,評価,課題,今後の方向性について検討する。

関連論文リスト

• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• An inclusive review on deep learning techniques and their scope in handwriting recognition [4.318047857743103]
  ディープラーニングは、生の入力を中間機能層に結合する能力を持つ機械学習アルゴリズムのカテゴリを表現する。 ディープラーニングは、コンピュータビジョンとパターン認識において、多くの領域にわたる人間レベルのパフォーマンスの偉大な達成を特に見てきた。 本稿では,筆跡認識分野におけるディープラーニングの研究について述べる。
  論文  参考訳（メタデータ） (2024-04-10T06:30:33Z)
• Brain-inspired Computing Based on Deep Learning for Human-computer Interaction: A Review [1.18749525824656]
  脳にインスパイアされたコンピューティングは、マルチモーダル技術とバイオメディカル分野の間の重要な交差点である。 本稿では、ディープラーニング(DL)に基づく脳に触発されたコンピューティングモデルについて、その進化、アプリケーション価値、課題、潜在的研究動向について概観する。 脳にインスパイアされた計算モデルの大幅な進歩にもかかわらず、その能力を完全に活用することが課題である。
  論文  参考訳（メタデータ） (2023-12-12T12:26:37Z)
• Unveiling the frontiers of deep learning: innovations shaping diverse domains [6.951472438774211]
  ディープラーニング(DL)は、学習、視覚化、最適化、精錬、予測が可能なコンピュータモデルの開発を可能にする。 DLは、オーディオ視覚データ処理、農業、交通予測、自然言語、バイオメディシン、災害管理、バイオインフォマティクス、薬物設計、ゲノム学、顔認識、生態学など、様々な分野に適用されている。 本稿では,すべての研究分野におけるディープラーニングの適用可能性と,関連するメリットと課題について検討する。
  論文  参考訳（メタデータ） (2023-09-06T04:50:39Z)
• Neural Architecture Search: Insights from 1000 Papers [50.27255667347091]
  ニューラルアーキテクチャサーチの組織的で包括的なガイドを提供する。 検索空間、アルゴリズム、スピードアップのテクニックを分類する。 ベンチマークやベストプラクティス,その他の調査,オープンソースライブラリなどのリソースについて論じる。
  論文  参考訳（メタデータ） (2023-01-20T18:47:24Z)
• Deep Learning to See: Towards New Foundations of Computer Vision [88.69805848302266]
  この本はコンピュータビジョンの分野における科学的進歩を批判している。 情報に基づく自然法則の枠組みにおける視覚の研究を提案する。
  論文  参考訳（メタデータ） (2022-06-30T15:20:36Z)
• Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
  ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。 ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
  論文  参考訳（メタデータ） (2022-02-15T08:06:50Z)
• Neural Fields in Visual Computing and Beyond [54.950885364735804]
  機械学習の最近の進歩は、座標ベースニューラルネットワークを用いた視覚コンピューティング問題の解決への関心が高まっている。 ニューラルネットワークは、3D形状と画像の合成、人体のアニメーション、3D再構成、ポーズ推定に成功している。 本報告は、文脈、数学的基礎、および、ニューラルネットワークに関する文献の広範なレビューを提供する。
  論文  参考訳（メタデータ） (2021-11-22T18:57:51Z)
• 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)
• Deep learning approaches for neural decoding: from CNNs to LSTMs and spikes to fMRI [2.0178765779788495]
  神経信号から直接の行動、知覚、認知状態の復号化は、脳-コンピュータインタフェースの研究に応用されている。 過去10年間で、ディープラーニングは多くの機械学習タスクにおいて最先端の手法になっている。 ディープラーニングは、幅広いタスクにわたるニューラルデコーディングの正確性と柔軟性を改善するための有用なツールであることが示されている。
  論文  参考訳（メタデータ） (2020-05-19T18:10:35Z)

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。