論文の概要: Need for Design Patterns: Interoperability Issues and Modelling Challenges for Observational Data

• arxiv url: http://arxiv.org/abs/2208.12480v1
• Date: Fri, 26 Aug 2022 07:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-29 12:54:42.758879
• Title: Need for Design Patterns: Interoperability Issues and Modelling Challenges for Observational Data
• Title（参考訳）: デザインパターンの必要性: 相互運用の問題と観測データのモデリング課題
• Authors: Trupti Padiya, Frank L\"offler, and Friederike Klan
• Abstract要約: 観察特性に関するセマンティック・インターオペラビリティの問題にのみ焦点をあてる。 本稿では,相互運用問題の一般的なクラスを特定するためのユースケース駆動型アプローチを提案する。 我々は、他の科学分野における観測データに一般化可能な、識別された相互運用性の問題に対して、重要な概念を導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interoperability issues concerning observational data have gained attention in recent times. Automated data integration is important when it comes to the scientific analysis of observational data from different sources. However, it is hampered by various data interoperability issues. We focus exclusively on semantic interoperability issues for observational characteristics. We propose a use-case-driven approach to identify general classes of interoperability issues. In this paper, this is exemplarily done for the use-case of citizen science fireball observations. We derive key concepts for the identified interoperability issues that are generalizable to observational data in other fields of science. These key concepts contain several modeling challenges, and we broadly describe each modeling challenges associated with its interoperability issue. We believe, that addressing these challenges with a set of ontology design patterns will be an effective means for unified semantic modeling, paving the way for a unified approach for resolving interoperability issues in observational data. We demonstrate this with one design pattern, highlighting the importance and need for ontology design patterns for observational data, and leave the remaining patterns to future work. Our paper thus describes interoperability issues along with modeling challenges as a starting point for developing a set of extensible and reusable design patterns.
• Abstract（参考訳）: 近年,観測データに関する相互運用性の問題が注目されている。 異なるソースからの観測データの科学的分析に関しては、自動データ統合が重要である。 しかし、様々なデータ相互運用性の問題によって妨げられている。 観察特性に関するセマンティック・インターオペラビリティの問題にのみ焦点をあてる。 本稿では,相互運用問題の一般的なクラスを特定するためのユースケース駆動型アプローチを提案する。 本稿では,市民科学における火球観測の事例として,これを例に挙げる。 我々は、他の科学の分野における観測データに一般化可能な相互運用問題の鍵となる概念を導出する。 これらの重要な概念は、いくつかのモデリング課題を含み、その相互運用性問題に関連する各モデリング課題を広く記述する。 我々は、これらの課題をオントロジーデザインパターンのセットで解決することは、統一的な意味モデリングの効果的な手段であり、観測データにおける相互運用性の問題を解決するための統一的なアプローチの道を開くと信じている。 これを一つのデザインパターンで示し、観察データのためのオントロジデザインパターンの重要性と必要性を強調し、残りのパターンを今後の作業に残します。 そこで本稿では,拡張可能で再利用可能な設計パターンを開発するための出発点として,モデリング課題とともに相互運用性の問題について述べる。

関連論文リスト

• Investigating the Role of Instruction Variety and Task Difficulty in Robotic Manipulation Tasks [50.75902473813379]
  本研究は、そのようなモデルの一般化能力における命令と入力の役割を体系的に検証する包括的評価フレームワークを導入する。 提案フレームワークは,極度の命令摂動に対するマルチモーダルモデルのレジリエンスと,観測的変化に対する脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2024-07-04T14:36:49Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Corpus Considerations for Annotator Modeling and Scaling [9.263562546969695]
  一般的に使われているユーザトークンモデルは、より複雑なモデルよりも一貫して優れています。 以上の結果から,コーパス統計とアノテータモデリング性能の関係が明らかになった。
  論文  参考訳（メタデータ） (2024-04-02T22:27:24Z)
• AttributionScanner: A Visual Analytics System for Model Validation with Metadata-Free Slice Finding [29.07617945233152]
  データスライス検索は、低パフォーマンスを示すデータセット内のサブグループを特定し解析することで、機械学習(ML)モデルを検証するための新興技術である。 このアプローチは、追加メタデータに対する退屈でコストのかかる要件を含む、重大な課題に直面します。 本稿では,メタデータを含まないデータスライス検索用に設計された,革新的なビジュアルアナリティクス(VA)システムであるAttributionScannerを紹介する。 本システムでは、一般的なモデル動作を含む解釈可能なデータスライスを特定し、属性モザイク設計によりこれらのパターンを可視化する。
  論文  参考訳（メタデータ） (2024-01-12T09:17:32Z)
• An Ample Approach to Data and Modeling [1.0152838128195467]
  さまざまな分野の概念とメソッドを統合するモデルの構築方法をモデル化するためのフレームワークについて説明する。 参照M*メタモデルフレームワークは、厳密な同値関係の観点からデータセットと各モデルの関連付けに批判的に依存する。 開発されたフレームワークがデータクラスタリング、複雑性、共同研究、ディープラーニング、クリエイティビティに関する洞察を提供する方法について、いくつかの考察がなされている。
  論文  参考訳（メタデータ） (2021-10-05T01:26:09Z)
• Shared Interest: Large-Scale Visual Analysis of Model Behavior by Measuring Human-AI Alignment [15.993648423884466]
  健全性(Saliency)は、モデル出力における入力特徴の重要性を特定する技術である。 共有興味:人間の注釈付き真実と唾液度を比較するための指標のセットを提示する。 モデルの信頼性に対する信頼を急速に発展または失うために、Shared Interestがどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2021-07-20T02:44:39Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• A Variational Information Bottleneck Approach to Multi-Omics Data Integration [98.6475134630792]
  本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。 本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。 実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
  論文  参考訳（メタデータ） (2021-02-05T06:05:39Z)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。