論文の概要: A toolbox for idea generation and evaluation: Machine learning,
data-driven, and contest-driven approaches to support idea generation
- arxiv url: http://arxiv.org/abs/2205.09840v1
- Date: Thu, 19 May 2022 20:28:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 12:46:16.244926
- Title: A toolbox for idea generation and evaluation: Machine learning,
data-driven, and contest-driven approaches to support idea generation
- Title（参考訳）: アイデア生成と評価のためのツールボックス - 機械学習、データ駆動、アイデア生成を支援するコンテスト駆動アプローチ
- Authors: Workneh Yilma Ayele
- Abstract要約: この論文には、アイデア生成をサポートするための、対応するデータソースとモデルを備えた、データ駆動および機械学習テクニックのリストが含まれている。
結果は、データ駆動とコンテスト駆動のアイデア生成をよりサポートするための、2つのモデル、1つのメソッドと1つのフレームワークを含む。
人間中心のAIは、アーティファクトのさらなる発展と創造性の促進に貢献できる、有望な研究分野である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The significance and abundance of data are increasing due to the growing
digital data generated from social media, sensors, scholarly literature,
patents, different forms of documents published online, databases, product
manuals, etc. Various data sources can be used to generate ideas, yet, in
addition to bias, the size of the available digital data is a major challenge
when it comes to manual analysis. Hence, human-machine interaction is essential
for generating valuable ideas where machine learning and data-driven techniques
generate patterns from data and serve human sense-making. However, the use of
machine learning and data-driven approaches to generate ideas is a relatively
new area. Moreover, it is also possible to stimulate innovation using
contest-driven idea generation and evaluation. The results and contributions of
this thesis can be viewed as a toolbox of idea-generation techniques, including
a list of data-driven and machine learning techniques with corresponding data
sources and models to support idea generation. In addition, the results include
two models, one method and one framework, to better support data-driven and
contest- driven idea generation. The beneficiaries of these artefacts are
practitioners in data and knowledge engineering, data mining project managers,
and innovation agents. Innovation agents include incubators, contest
organizers, consultants, innovation accelerators, and industries. Since the
proposed artefacts consist of process models augmented with AI techniques,
human-centred AI is a promising area of research that can contribute to the
artefacts' further development and promote creativity.
- Abstract（参考訳）: ソーシャルメディア、センサー、学術文献、特許、オンライン出版のさまざまな形態の文書、データベース、製品マニュアルなどから生成されるデジタルデータによって、データの重要性と存在感が高まっている。
さまざまなデータソースを使用してアイデアを生成できるが、バイアスに加えて、利用可能なデジタルデータのサイズは、手作業による分析において大きな課題である。
したがって、人間と機械の相互作用は、機械学習とデータ駆動技術がデータからパターンを生成し、人間の感覚形成に役立つ貴重なアイデアを生み出すのに不可欠である。
しかし、アイデアを生み出すための機械学習とデータ駆動アプローチの利用は比較的新しい分野だ。
さらに、コンテスト駆動のアイデア生成と評価を用いてイノベーションを刺激することも可能である。
この論文の結果とコントリビューションは、アイデア生成をサポートするデータソースとモデルを備えたデータ駆動型および機械学習技術のリストを含む、アイデア生成技術のツールボックスと見なすことができる。
さらに、データ駆動とコンテスト駆動のアイデア生成を支援するために、2つのモデル、1つのメソッドと1つのフレームワークが結果に含まれる。
これらの成果物の受益者は、データと知識工学の実践者、データマイニングプロジェクトマネージャ、イノベーションエージェントである。
イノベーションエージェントには、インキュベーター、コンテスト主催者、コンサルタント、イノベーションアクセラレーター、産業が含まれる。
提案されたアーティファクトは、ai技術によって拡張されたプロセスモデルで構成されているため、人間中心のaiは、アーティファクトのさらなる発展と創造性を促進するための有望な研究領域である。
関連論文リスト
- Generative AI like ChatGPT in Blockchain Federated Learning: use cases, opportunities and future [4.497001527881303]
本研究は、フェデレーション学習における生成AIの潜在的な統合について検討する。
GAN(generative adversarial Network)とVAE(variantal autoencoder)
合成データの生成は、限られたデータ可用性に関連する課題に、フェデレートされた学習を支援する。
論文 参考訳（メタデータ） (2024-07-25T19:43:49Z) - From ChatGPT, DALL-E 3 to Sora: How has Generative AI Changed Digital Humanities Research and Services? [5.3743115255502545]
本稿では,デジタル人文科学研究における大規模言語モデルの応用を深く研究する。
本稿は、まず、古代の書物資源の重要性とデジタル保存の必要性について概説する。
この記事では、特定のケースを通じて、AIが古代の書籍の組織、分類、コンテンツ生成をいかに支援できるかを示す。
論文 参考訳（メタデータ） (2024-04-29T09:03:19Z) - Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳（メタデータ） (2024-03-13T16:05:18Z) - Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。
高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。
また、解決を保障する科学的、技術的課題も検討している。
論文 参考訳（メタデータ） (2023-12-06T10:46:53Z) - AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。
本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。
実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文 参考訳（メタデータ） (2023-10-03T06:55:19Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - Data-centric Artificial Intelligence: A Survey [47.24049907785989]
近年、AIにおけるデータの役割は大幅に拡大し、データ中心AIという新たな概念が生まれた。
本稿では,データ中心型AIの必要性について論じ,続いて3つの一般的なデータ中心型目標の全体像を考察する。
これは、データライフサイクルのさまざまな段階にわたるタスクのグローバルなビューを提供する、初めての総合的な調査である、と私たちは信じています。
論文 参考訳（メタデータ） (2023-03-17T17:44:56Z) - Machine Learning for Synthetic Data Generation: A Review [23.073056971997715]
本稿では,合成データの生成を目的とした機械学習モデルを用いた既存研究についてレビューする。
このレビューは、合成データ生成、コンピュータビジョン、スピーチ、自然言語処理、ヘルスケア、ビジネスドメインの応用から始まる様々な視点を網羅している。
この論文は、合成データ生成に関するプライバシーと公平性に関する重要な側面についても論じている。
論文 参考訳（メタデータ） (2023-02-08T13:59:31Z) - Foundations and Recent Trends in Multimodal Machine Learning:
Principles, Challenges, and Open Questions [68.6358773622615]
本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。
本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。
最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
論文 参考訳（メタデータ） (2022-09-07T19:21:19Z) - A Systematic Literature Review about Idea Mining: The Use of
Machine-driven Analytics to Generate Ideas [0.0]
本研究では、アイデア生成とデータソースのための最先端の機械駆動分析に焦点を当てる。
IEEE、Scopus、Web of Science、Google Scholarから関連する学術文献を特定するために、体系的な文献レビューが行われる。
その結果,テキストマイニング,情報検索(IR),人工知能(AI),ディープラーニング,機械学習,統計技術,自然言語処理(NLP),NLPに基づく形態解析,ネットワーク分析,バイオロメトリなどを用いて,アイデア生成を支援することが示唆された。
論文 参考訳（メタデータ） (2022-01-30T21:46:21Z) - Adapting CRISP-DM for Idea Mining: A Data Mining Process for Generating
Ideas Using a Textual Dataset [0.0]
本稿では、アイデアマイニング(CRISP-IM)のためのアイデアを生成する再利用可能なモデルであるCRISP-DMを提案する。
CRISP-IMは、動的トピックモデリング(DTM)、教師なし機械学習、そしてその後の学術論文のデータセットの統計分析を通じて、アイデア生成を容易にする。
論文 参考訳（メタデータ） (2021-05-02T23:24:25Z)
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。