論文の概要: Ontology Reuse: the Real Test of Ontological Design

• arxiv url: http://arxiv.org/abs/2205.02892v1
• Date: Thu, 5 May 2022 19:13:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 00:59:19.186697
• Title: Ontology Reuse: the Real Test of Ontological Design
• Title（参考訳）: オントロジの再利用:オントロジ設計の真のテスト
• Authors: Piotr Sowinski, Katarzyna Wasielewska-Michniewska, Maria Ganzha, Marcin Paprzycki, Costin Badica
• Abstract要約: 多くの問題は、実用的で多様な再利用シナリオによってのみ解決できる。 品質保証のための自動ツールの進歩は品質保証プロセスの改善に不可欠である、と論じられている。
• 参考スコア（独自算出の注目度）: 0.2519906683279152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reusing ontologies in practice is still very challenging, especially when multiple ontologies are involved. Moreover, despite recent advances, systematic ontology quality assurance remains a difficult problem. In this work, the quality of thirty biomedical ontologies, and the Computer Science Ontology, are investigated from the perspective of a practical use case. Special scrutiny is given to cross-ontology references, which are vital for combining ontologies. Diverse methods to detect the issues are proposed, including natural language processing and network analysis. Moreover, several suggestions for improving ontologies and their quality assurance processes are presented. It is argued that while the advancing automatic tools for ontology quality assurance are crucial for ontology improvement, they will not solve the problem entirely. It is ontology reuse that is the ultimate method for continuously verifying and improving ontology quality, as well as for guiding its future development. Many issues can be found and fixed only through practical and diverse ontology reuse scenarios.
• Abstract（参考訳）: 実際にオントロジーを再利用することは、特に複数のオントロジーが関与する場合、依然として非常に難しい。 さらに、近年の進歩にもかかわらず、体系的なオントロジー品質保証は難しい問題である。 本研究は,30の生物医学オントロジーとコンピュータ科学オントロジーの質を,実践的ユースケースの観点から検討したものである。 特別な精査は、オントロジーの組み合わせに不可欠であるクロスオントロジー参照に与えられる。 自然言語処理やネットワーク分析など,問題を検出する多様な手法が提案されている。 さらに,オントロジー改善のためのいくつかの提案と品質保証プロセスについて述べる。 オントロジの品質保証のための自動ツールの進歩はオントロジの改善に不可欠であるが、完全には解決しないと主張している。 オントロジーの質を継続的に検証し改善する究極の方法であるオントロジーの再利用と、その今後の発展を導くものである。 多くの問題は実用的で多様なオントロジの再利用シナリオを通じてのみ発見・修正できる。

関連論文リスト

• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オントロジはドメイン知識とメタデータを表現するために広く使われている。 1つの簡単な解決策は、統計分析と機械学習を統合することである。 埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• Ontology Revision based on Pre-trained Language Models [32.92146634065263]
  オントロジーの改訂は、新しいオントロジーを既存のオントロジーにシームレスに組み込むことを目的としている。 不整合は不整合を引き起こし、矛盾するオントロジーを推論する主要な要因であり、無意味な答えが得られる。 この問題に対処するため,様々なオントロジー修正手法が提案されている。 本稿では,事前学習モデルの改訂方法について検討する。
  論文  参考訳（メタデータ） (2023-10-27T00:52:01Z)
• Ontology Development is Consensus Creation, Not (Merely) Representation [0.0]
  我々は、オントロジー開発における課題の重要かつ過度に強調された貢献は、意見の相違に直面して、創造し、あるいはコンセンサスをもたらす必要性である、と提案する。 同じ理由から、ほとんどの技術的カリキュラムに欠けている特定の社会的交渉スキルを持つ必要がある。
  論文  参考訳（メタデータ） (2022-10-21T15:16:28Z)
• EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
  本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。 DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
  論文  参考訳（メタデータ） (2022-08-01T18:47:03Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
  本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。 本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
  論文  参考訳（メタデータ） (2021-05-26T20:55:29Z)
• Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical Image Segmentation Using Deep Neural Networks: Past, Present, & Future [0.0]
  本稿では,最先端(sota)ニューラルネットワークに基づくセグメンテーションアルゴリズムについて概説する。 また、効果的なディープラーニングベースのソリューションの臨床的意義を示す。
  論文  参考訳（メタデータ） (2021-03-27T19:05:11Z)
• Objective Diagnosis for Histopathological Images Based on Machine Learning Techniques: Classical Approaches and New Trends [0.33554367023486936]
  病理組織像は顕微鏡で撮影され、多くの疾患を特定し、調査し、分類する。 病理組織像の解析は、疾患の診断を支援する多種多様かつ関連する研究領域である。 本稿では, 組織像解析に応用された従来の深層学習技術について概観する。
  論文  参考訳（メタデータ） (2020-11-10T07:31:05Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Deep neural network models for computational histopathology: A survey [1.2891210250935146]
  深層学習は がん組織像の分析と解釈において 主流の方法論選択となりました 本稿では,現在使われている最先端の深層学習手法について概説する。 私たちは、現在のディープラーニングアプローチにおける重要な課題と制限と、将来の研究への道のりを強調します。
  論文  参考訳（メタデータ） (2019-12-28T01:04:25Z)

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。