論文の概要: Strengthening Subcommunities: Towards Sustainable Growth in AI Research

• arxiv url: http://arxiv.org/abs/2204.08377v1
• Date: Mon, 18 Apr 2022 15:53:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 14:41:26.167730
• Title: Strengthening Subcommunities: Towards Sustainable Growth in AI Research
• Title（参考訳）: サブコミュニティの強化 - AI研究の持続的成長に向けて
• Authors: Andi Peng, Jessica Zosa Forde, Yonadav Shavit, Jonathan Frankle
• Abstract要約: 我々は、レビュー・公開プロセスの分散化を通じて、これらのサブコミュニティ内での取り組みを再考する提案を策定した。 このモデルは、これまでAIのいくつかのサブコミュニティで成功してきた。
• 参考スコア（独自算出の注目度）: 14.546780905447543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI's rapid growth has been felt acutely by scholarly venues, leading to growing pains within the peer review process. These challenges largely center on the inability of specific subareas to identify and evaluate work that is appropriate according to criteria relevant to each subcommunity as determined by stakeholders of that subarea. We set forth a proposal that re-focuses efforts within these subcommunities through a decentralization of the reviewing and publication process. Through this re-centering effort, we hope to encourage each subarea to confront the issues specific to their process of academic publication and incentivization. This model has historically been successful for several subcommunities in AI, and we highlight those instances as examples for how the broader field can continue to evolve despite its continually growing size.
• Abstract（参考訳）: AIの急速な成長は、学術的な会場によって急速に感じられ、ピアレビュープロセス内で痛みが増す。 これらの課題は主に、そのサブエリアの利害関係者によって決定される各サブコミュニティに関連する基準に従って、適切な作業を特定し評価する特定サブエリアの欠如に焦点を当てている。 我々は、レビューと公開プロセスの分散化を通じて、これらのサブコミュニティ内の取り組みに再焦点をあてる提案を行った。 この再中心的な取り組みを通じて、学術出版やインセンティブ化のプロセスに特有の問題に、各サブ領域が取り組むことを奨励したい。 このモデルは、AIのいくつかのサブコミュニティで歴史的に成功しており、その拡大を続けるサイズにもかかわらず、より広い分野がどのように進化し続けるかの例として、これらの例を挙げている。

関連論文リスト

• Collaborative Participatory Research with LLM Agents in South Asia: An Empirically-Grounded Methodological Initiative and Agenda from Field Evidence in Sri Lanka [4.2784137244658025]
  本稿では,参加型開発研究を変革するための実証的な方法論的枠組みを提案する。 スリランカの洪水によって引き起こされるニルワラ川流域の多言語的状況にある。 この研究課題は、倫理的配慮、文化的尊重、運用効率を維持するAI主導の参加型研究ツールを提唱する。
  論文  参考訳（メタデータ） (2024-11-13T02:21:59Z)
• Hierarchical Consensus-Based Multi-Agent Reinforcement Learning for Multi-Robot Cooperation Tasks [17.914928652949314]
  階層型合意に基づくマルチエージェント強化学習(HC-MARL)フレームワークを導入し,その限界に対処する。 HC-MARLは、エージェント間のグローバルコンセンサスを促進するために対照的な学習を採用し、直接のコミュニケーションなしに協調行動を可能にする。 様々なタスクの動的な要求を満たすために、コンセンサスを複数の層に分割し、短期的および長期的考慮を包含する。
  論文  参考訳（メタデータ） (2024-07-11T03:55:55Z)
• Large Multimodal Agents: A Survey [78.81459893884737]
  大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。 LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。 本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-23T06:04:23Z)
• Recent Advances in Hate Speech Moderation: Multimodality and the Role of Large Models [52.24001776263608]
  この包括的調査は、HSモデレーションの最近の歩みを掘り下げている。 大型言語モデル(LLM)と大規模マルチモーダルモデル(LMM)の急成長する役割を強調した。 研究における既存のギャップを、特に表現不足言語や文化の文脈で特定する。
  論文  参考訳（メタデータ） (2024-01-30T03:51:44Z)
• Responsible AI Considerations in Text Summarization Research: A Review of Current Practices [89.85174013619883]
  私たちは、責任あるAIコミュニティがほとんど見落としている共通のNLPタスクである、テキスト要約に重点を置いています。 我々は,2020-2022年に出版されたACLアンソロジーから333の要約論文の多段階的質的分析を行った。 私たちは、どの、どの、どの責任あるAI問題がカバーされているか、どの関係するステークホルダーが考慮されているか、そして、述べられた研究目標と実現された研究目標のミスマッチに焦点を合わせます。
  論文  参考訳（メタデータ） (2023-11-18T15:35:36Z)
• A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
  マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。 この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる 本調査では,I-CMRの3段階分類法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T05:06:48Z)
• Prospecting Community Development Strength based on Economic Graph: From Categorization to Scoring [1.52292571922932]
  コミュニティ開発に関する既に知られている分類情報を考えると、私たちはコミュニティ開発の強さを定量化しようとしています。 本研究では,コミュニティ間のネットワーク上での大規模データ利用の増加を動機として,コミュニティの発達力を評価する方法について検討する。
  論文  参考訳（メタデータ） (2023-03-11T02:38:30Z)
• Intrinsic Motivation in Model-based Reinforcement Learning: A Brief Review [77.34726150561087]
  本稿では,エージェントが獲得した世界モデルに基づいて,本質的な動機付けを決定するための既存の手法について考察する。 提案した統合フレームワークは,学習を改善するために,世界モデルと本質的なモチベーションを用いてエージェントのアーキテクチャを記述する。
  論文  参考訳（メタデータ） (2023-01-24T15:13:02Z)
• Cooperative Exploration for Multi-Agent Deep Reinforcement Learning [127.4746863307944]
  深層強化学習のための協調型マルチエージェント探索(CMAE)を提案する。 ゴールは正規化エントロピーに基づく手法により、複数の射影状態空間から選択される。 CMAEが様々なタスクのベースラインを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2021-07-23T20:06:32Z)
• Evaluating the progress of Deep Reinforcement Learning in the real world: aligning domain-agnostic and domain-specific research [0.0]
  深層強化学習(Dep Reinforcement Learning, DRL)は、多くの現実世界の自律システムを改善するための潜在的なフレームワークと考えられている。 我々は、ドメインに依存しないコミュニティとドメイン固有のコミュニティの両方の研究成果をレビューし、評価することで、この問題に焦点を当てる。
  論文  参考訳（メタデータ） (2021-07-07T04:45:46Z)
• Evolutionary Multitask Optimization: a Methodological Overview, Challenges and Future Research Directions [8.14509634354919]
  一つの探索プロセスを実行することで、複数の最適化問題を同時に解くという文脈でマルチタスクを考える。 進化的マルチタスクの新たなパラダイムは、進化的計算から引き出されたインスピレーションの概念を用いて、マルチタスク最適化のシナリオに取り組む。
  論文  参考訳（メタデータ） (2021-02-04T11:48:11Z)

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。