論文の概要: Social and environmental impact of recent developments in machine
learning on biology and chemistry research
- arxiv url: http://arxiv.org/abs/2210.00356v1
- Date: Sat, 1 Oct 2022 20:29:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:31:28.751862
- Title: Social and environmental impact of recent developments in machine
learning on biology and chemistry research
- Title(参考訳): 機械学習における最近の発展の社会的・環境的影響と生物学・化学研究
- Authors: Daniel Probst
- Abstract要約: 機械学習の最近の進歩は、基礎研究や応用研究に影響を及ぼす可能性がある。
これらの開発は、薬物の発見や開発など、基礎的および応用的な研究に影響を与える可能性がある。
- 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: Potential societal and environmental effects such as the rapidly increasing
resource use and the associated environmental impact, reproducibility issues,
and exclusivity, the privatization of ML research leading to a public research
brain-drain, a narrowing of the research effort caused by a focus on deep
learning, and the introduction of biases through a lack of sociodemographic
diversity in data and personnel caused by recent developments in machine
learning are a current topic of discussion and scientific publications.
However, these discussions and publications focus mainly on computer
science-adjacent fields, including computer vision and natural language
processing or basic ML research. Using bibliometric analysis of the complete
and full-text analysis of the open-access literature, we show that the same
observations can be made for applied machine learning in chemistry and biology.
These developments can potentially affect basic and applied research, such as
drug discovery and development, beyond the known issue of biased data sets.
- Abstract(参考訳): Potential societal and environmental effects such as the rapidly increasing resource use and the associated environmental impact, reproducibility issues, and exclusivity, the privatization of ML research leading to a public research brain-drain, a narrowing of the research effort caused by a focus on deep learning, and the introduction of biases through a lack of sociodemographic diversity in data and personnel caused by recent developments in machine learning are a current topic of discussion and scientific publications.
しかし、これらの議論や出版物は主にコンピュータビジョンや自然言語処理、基本的なml研究など、コンピュータ科学に親しむ分野に焦点を当てている。
オープンアクセス文学の完全かつ全文分析の書誌学的分析を用いて,同じ観察が化学および生物学の応用機械学習にも応用できることを示した。
これらの発展は、既知の偏りのあるデータセットの問題を超えて、薬物の発見や開発のような基礎研究や応用研究に影響を与える可能性がある。
関連論文リスト
- Intervention strategies for misinformation sharing on social media: A bibliometric analysis [1.8020166013859684]
不正確な共有情報は混乱を引き起こし、精神的健康に悪影響を及ぼし、誤報による意思決定につながる。
本研究では,ソーシャルメディア上での誤情報共有に対処するための介入戦略の類型について検討する。
認識ベース、自動化ベース、情報ベース、ハイブリッドベースの4つの重要なクラスタを特定します。
論文 参考訳(メタデータ) (2024-09-26T08:38:15Z) - Classical Machine Learning: Seventy Years of Algorithmic Learning Evolution [1.121816400852218]
機械学習(ML)は多くの分野を変えてきたが、その基礎研究を理解することは、その継続的な進歩に不可欠である。
本稿では,古典的MLアルゴリズムの概要を概説し,12年間にわたる最先端の出版物について考察する。
我々は、著名なMLカンファレンスやジャーナルから引用された論文のデータセットを分析し、引用とキーワード分析を用いて批判的な洞察を明らかにした。
論文 参考訳(メタデータ) (2024-08-03T11:07:10Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳(メタデータ) (2023-11-01T11:16:41Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - A Comprehensive Study of Groundbreaking Machine Learning Research:
Analyzing highly cited and impactful publications across six decades [1.6442870218029522]
機械学習(ML)は、コンピュータ科学やその他の関連分野の研究分野として注目されている。
重要なトレンド、影響力のある著者、そしてこれまでの重要な貢献を識別するために、高度に引用された出版物の風景を理解することが不可欠である。
論文 参考訳(メタデータ) (2023-08-01T21:43:22Z) - Identifying Causal Influences on Publication Trends and Behavior: A Case
Study of the Computational Linguistics Community [10.791197825505755]
本稿では,出版傾向と行動の因果的影響を明らかにするための混合手法分析について述べる。
主要な発見は、研究コミュニティにおける急速に発展する方法論への移行を浮き彫りにしている。
我々はこの研究が出版トレンドや行動に関する有用な洞察を提供することを期待している。
論文 参考訳(メタデータ) (2021-10-15T08:36:13Z) - Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。
治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。
この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
論文 参考訳(メタデータ) (2021-05-03T21:20:20Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳(メタデータ) (2021-03-29T17:36:20Z) - Semantic and Relational Spaces in Science of Science: Deep Learning
Models for Article Vectorisation [4.178929174617172]
我々は、自然言語処理(NLP)とグラフニューラルネットワーク(GNN)を用いて、記事の意味的・関係的な側面に基づく文書レベルの埋め込みに焦点を当てる。
論文のセマンティックな空間をNLPでエンコードできるのに対し、GNNでは研究コミュニティの社会的実践をエンコードするリレーショナルな空間を構築することができる。
論文 参考訳(メタデータ) (2020-11-05T14:57:41Z) - Extracting a Knowledge Base of Mechanisms from COVID-19 Papers [50.17242035034729]
我々はメカニズムの知識ベース(KB)の構築を追求する。
我々は、妥当性と幅のバランスをとる広範で統一されたスキーマを開発する。
実験は、新型コロナウイルスの文献に関する学際的な科学的検索を支援するためのKBの有用性を実証する。
論文 参考訳(メタデータ) (2020-10-08T07:54:14Z) - 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)
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。