論文の概要: Predicting the Future of AI with AI: High-quality link prediction in an exponentially growing knowledge network

• arxiv url: http://arxiv.org/abs/2210.00881v1
• Date: Fri, 23 Sep 2022 14:04:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 17:22:08.761517
• Title: Predicting the Future of AI with AI: High-quality link prediction in an exponentially growing knowledge network
• Title（参考訳）: AIによるAIの未来予測:指数関数的に成長する知識ネットワークにおける高品質リンク予測
• Authors: Mario Krenn, Lorenzo Buffoni, Bruno Coutinho, Sagi Eppel, Jacob Gates Foster, Andrew Gritsevskiy, Harlin Lee, Yichao Lu, Joao P. Moutinho, Nima Sanjabi, Rishi Sonthalia, Ngoc Mai Tran, Francisco Valente, Yangxinyu Xie, Rose Yu, Michael Kopp
• Abstract要約: AI技術を使って、AI自体の将来的な研究方向を予測する。 そのため、10万以上の研究論文を使って、64,000以上の概念ノードを持つナレッジネットワークを構築しています。 最も強力な方法は、エンドツーエンドのAIアプローチではなく、慎重にキュレートされたネットワーク機能のセットを使用する。
• 参考スコア（独自算出の注目度）: 15.626884746513712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A tool that could suggest new personalized research directions and ideas by taking insights from the scientific literature could significantly accelerate the progress of science. A field that might benefit from such an approach is artificial intelligence (AI) research, where the number of scientific publications has been growing exponentially over the last years, making it challenging for human researchers to keep track of the progress. Here, we use AI techniques to predict the future research directions of AI itself. We develop a new graph-based benchmark based on real-world data -- the Science4Cast benchmark, which aims to predict the future state of an evolving semantic network of AI. For that, we use more than 100,000 research papers and build up a knowledge network with more than 64,000 concept nodes. We then present ten diverse methods to tackle this task, ranging from pure statistical to pure learning methods. Surprisingly, the most powerful methods use a carefully curated set of network features, rather than an end-to-end AI approach. It indicates a great potential that can be unleashed for purely ML approaches without human knowledge. Ultimately, better predictions of new future research directions will be a crucial component of more advanced research suggestion tools.
• Abstract（参考訳）: 科学文献から洞察を得ることで、新たなパーソナライズされた研究の方向性やアイデアを示唆するツールが、科学の進歩を著しく加速する可能性がある。 このようなアプローチの恩恵を受ける可能性のある分野は、人工知能(ai)研究である。ここ数年間、科学出版物の数は指数関数的に増加しており、人間の研究者が進歩を追跡することが困難になっている。 ここでは、AI技術を用いて、AI自体の将来的な研究方向を予測する。 我々は、現実世界のデータに基づく新しいグラフベースのベンチマーク、science4castベンチマークを開発し、進化するai意味ネットワークの将来状態を予測することを目的としている。 そのため、10万以上の研究論文を使って、64,000以上の概念ノードを持つ知識ネットワークを構築しています。 次に,この課題に取り組むために,純粋統計法から純粋学習法まで,10種類の方法を提案する。 驚くべきことに、最も強力な方法は、エンドツーエンドのAIアプローチではなく、慎重にキュレートされたネットワーク機能セットを使用する。 これは、人間の知識なしに純粋にMLアプローチを解き放つ大きな可能性を示唆している。 究極的には、新しい研究方向のより良い予測は、より高度な研究提案ツールの重要な要素となるだろう。

関連論文リスト

• AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
  数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
  論文  参考訳（メタデータ） (2023-10-19T02:00:31Z)
• AI empowering research: 10 ways how science can benefit from AI [0.0]
  本稿では,人工知能(AI)が科学的研究に与える影響について考察する。 強力な参照ツール、研究問題の理解の改善、研究質問生成の改善、最適化された研究設計、スタブデータ生成、データ変換、高度なデータ分析、AI支援レポートなど、AIが科学者の仕事に革命をもたらす10の方法を強調している。
  論文  参考訳（メタデータ） (2023-07-17T18:41:18Z)
• 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)
• Accelerating science with human-aware artificial intelligence [2.7786142348700658]
  教師なしモデルのトレーニングにより、人間の専門知識の分布を取り入れることで、将来の発見のAI予測が劇的に向上する(最大400%)。 これらのモデルは、人間の予測とそれを作る科学者を予測することで成功します。 人間の発見を加速する、あるいはその盲点を探索するAIは、現代科学の最前線を行き来することを可能にする。
  論文  参考訳（メタデータ） (2023-06-02T12:43:23Z)
• Latest Trends in Artificial Intelligence Technology: A Scoping Review [0.0]
  本研究では、PRISMAフレームワークに続く最先端の人工知能技術のスコーピングレビューを行う。 目標は、人工知能技術研究のさまざまな領域で使われている最も高度な技術を見つけることであった。
  論文  参考訳（メタデータ） (2023-05-08T08:06:16Z)
• The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies [97.5153823429076]
  この分野でのAIのメリット、課題、欠点についてレビューする。 データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
  論文  参考訳（メタデータ） (2022-12-08T23:23:39Z)
• Recognition of All Categories of Entities by AI [20.220102335024706]
  本稿では,オントロジ・セクテットを包括的技術地図として見るための新たな議論的選択肢を提案する。 近い将来、AIは人間と同じ程度に様々な実体を認識できるようになると予測しています。
  論文  参考訳（メタデータ） (2022-08-13T08:00:42Z)
• Learning from learning machines: a new generation of AI technology to meet the needs of science [59.261050918992325]
  科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。 産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
  論文  参考訳（メタデータ） (2021-11-27T00:55:21Z)
• Trustworthy AI: A Computational Perspective [54.80482955088197]
  我々は,信頼に値するAIを実現する上で最も重要な6つの要素,(i)安全とロバスト性,(ii)非差別と公正,(iii)説明可能性,(iv)プライバシー,(v)説明可能性と監査性,(vi)環境ウェルビーイングに焦点をあてる。 各次元について、分類学に基づく最近の関連技術について概観し、実世界のシステムにおけるそれらの応用を概説する。
  論文  参考訳（メタデータ） (2021-07-12T14:21:46Z)
• Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
  AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。 まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。 最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
  論文  参考訳（メタデータ） (2020-11-17T13:14:28Z)
• Sensor Artificial Intelligence and its Application to Space Systems -- A White Paper [35.78525324168878]
  このホワイトペーパーの目的は、専用の研究トピックとして"Sensor AI"を確立することである。 AIアプローチにおけるセンサーとその物理的特性を詳しく見ると、より堅牢で広く適用可能なアルゴリズムが生まれるだろう。 センサーAIは、自動運転だけでなく、自動生産、予測保守、宇宙研究の分野でも決定的な役割を果たす。
  論文  参考訳（メタデータ） (2020-06-09T14:10:35Z)

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。