論文の概要: Pattern Discovery and Validation Using Scientific Research Methods
- arxiv url: http://arxiv.org/abs/2107.06065v1
- Date: Sun, 11 Jul 2021 16:11:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-15 05:12:17.729552
- Title: Pattern Discovery and Validation Using Scientific Research Methods
- Title(参考訳): 科学的研究手法を用いたパターン発見と検証
- Authors: Dirk Riehle, Nikolay Harutyunyan, Ann Barcomb
- Abstract要約: 本稿では,パターン発見と検証を目的とした科学的研究手法の活用方法について述べる。
本稿では, 定性調査, 行動研究, パターン発見と評価のためのケーススタディを用いたハンドブック手法を提案する。
- 参考スコア(独自算出の注目度): 3.1798318618973362
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pattern discovery, the process of discovering previously unrecognized
patterns, is often performed as an ad-hoc process with little resulting
certainty in the quality of the proposed patterns. Pattern validation, the
process of validating the accuracy of proposed patterns, remains dominated by
the simple heuristic of "the rule of three". This article shows how to use
established scientific research methods for the purpose of pattern discovery
and validation. We present a specific approach, called the handbook method,
that uses the qualitative survey, action research, and case study research for
pattern discovery and evaluation, and we discuss the underlying principle of
using scientific methods in general. We evaluate the handbook method using
three exploratory studies and demonstrate its usefulness.
- Abstract(参考訳): 以前は認識されていなかったパターンを発見するパターン発見は、しばしばアドホックなプロセスとして行われ、提案したパターンの品質の確実性はほとんどない。
パターン検証は、提案されたパターンの精度を検証するプロセスであり、「3つの規則」の単純なヒューリスティックに支配されている。
本稿では,パターン発見と検証のために確立された科学的研究手法の活用方法について述べる。
本稿では, 質的調査, 行動研究, ケーススタディによるパターン発見・評価の手法であるハンドブック法(handbook method)を提案し, 科学的手法全般の基本的な原理について考察する。
本手法を3つの探索研究を用いて評価し,その有用性を示す。
関連論文リスト
- Behind the Intent of Extract Method Refactoring: A Systematic Literature
Review [15.194527511076725]
コードは、ソースコードの理解性と保守性を改善するために不可欠なソフトウェアエンジニアリングプラクティスとして広く認識されている。
Extract Method は、開発者がコード品質を改善するためにしばしばそれを適用するため、適用性の "Swiss Army knife" と見なされている。
近年、いくつかの研究が抽出法を推奨し、実行可能なデータ駆動の洞察の収集、分析、啓示を可能にしている。
論文 参考訳(メタデータ) (2023-12-19T21:09:54Z) - Enhancing AI Research Paper Analysis: Methodology Component Extraction
using Factored Transformer-based Sequence Modeling Approach [10.060305577353633]
本稿では,方法論領域の幅広いカテゴリ情報を活用するシーケンスモデリングへの因子的アプローチを提案する。
シミュレーションされた時系列設定(トレーニングプロセス中に見えない新しい方法論)に従って実験を行う。
本実験により, 提案手法は, 数発設定の方法論抽出タスクにおいて, 9.257%のマージンで最先端のベースラインを上回り, 性能が向上することを示した。
論文 参考訳(メタデータ) (2023-11-05T16:33:35Z) - A Comparative Study on Unsupervised Anomaly Detection for Time Series:
Experiments and Analysis [28.79393419730138]
時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。
近年,時系列データの異常検出が盛んに行われている。
データ、メソッド、評価戦略について紹介する。
我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
論文 参考訳(メタデータ) (2022-09-10T10:44:25Z) - Quantitative probing: Validating causal models using quantitative domain
knowledge [0.0]
本稿では,量的ドメイン知識の存在下での因果モデル検証の枠組みとして量的探索を提案する。
相関に基づく機械学習における列車/テスト分割の類似体として構築する。
因果解析に定量的なプローブを統合するためのコードは、2つの別々のオープンソースPythonパッケージに提供されている。
論文 参考訳(メタデータ) (2022-09-07T09:19:11Z) - Multi-Faceted Distillation of Base-Novel Commonality for Few-shot Object
Detection [58.48995335728938]
基本クラスと新規クラスの間に3種類のクラスに依存しない共通点を明示的に学習する。
提案手法は,既存の微調整方式のほとんどに容易に統合でき,一貫した性能向上が期待できる。
論文 参考訳(メタデータ) (2022-07-22T16:46:51Z) - The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set
Methods [86.39044549664189]
特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。
本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。
本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
論文 参考訳(メタデータ) (2022-03-04T18:32:58Z) - Predictive machine learning for prescriptive applications: a coupled
training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。
このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。
合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文 参考訳(メタデータ) (2021-10-22T15:03:20Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - A Unifying Review of Deep and Shallow Anomaly Detection [38.202998314502786]
我々は、様々な方法によって暗黙的に行われることの多い仮定と同様に、共通の根底にある原則を特定することを目的としている。
本稿では,最近の説明可能性技術を用いて,既存の主要な手法を実証的に評価する。
我々は、重要なオープン課題を概説し、異常検出における今後の研究の道筋を特定する。
論文 参考訳(メタデータ) (2020-09-24T14:47:54Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳(メタデータ) (2020-06-05T20:54:11Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:58:08Z)
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。