Fugu-MT 論文翻訳(概要): Machine Learning vs. Deep Learning in 5G Networks -- A Comparison of Scientific Impact

論文の概要: Machine Learning vs. Deep Learning in 5G Networks -- A Comparison of Scientific Impact

arxiv url: http://arxiv.org/abs/2210.07327v1
Date: Thu, 13 Oct 2022 19:54:17 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 17:28:38.828273
Title: Machine Learning vs. Deep Learning in 5G Networks -- A Comparison of Scientific Impact
Title（参考訳）: 5gネットワークにおける機械学習とディープラーニング - 科学的影響の比較
Authors: Ilker Turker, Serhat Orkun Tan
Abstract要約: 機械学習(ML)とディープラーニング(DL)技術は5Gネットワークで使用されている。本研究の目的は, この2つの手法の科学的影響の違いを, 統計文献学を用いて明らかにすることである。 Web of Science (WoS)データベースは、MLのための2245の論文とDL関連の研究のための1407の論文をホストしている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Introduction of fifth generation (5G) wireless network technology has matched the crucial need for high capacity and speed needs of the new generation mobile applications. Recent advances in Artificial Intelligence (AI) also empowered 5G cellular networks with two mainstreams as machine learning (ML) and deep learning (DL) techniques. Our study aims to uncover the differences in scientific impact for these two techniques by the means of statistical bibliometrics. The performed analysis includes citation performance with respect to indexing types, funding availability, journal or conference publishing options together with distributions of these metrics along years to evaluate the popularity trends in a detailed manner. Web of Science (WoS) database host 2245 papers for ML and 1407 papers for DL-related studies. DL studies, starting with 9% rate in 2013, has reached to 45% rate in 2022 among all DL and ML-related studies. Results related to scientific impact indicate that DL studies get slightly more average normalized citation (2.256) compared to ML studies (2.118) in 5G, while SCI-Expanded indexed papers in both sides tend to have similar citation performance (3.165 and 3.162 respectively). ML-related studies those are indexed in ESCI show twice citation performance compared to DL. Conference papers in DL domain and journal papers in ML domain are superior in scientific interest to their counterparts with minor differences. Highest citation performance for ML studies is achieved for year 2014, while this peak is observed for 2017 for DL studies. We can conclude that both publication and citation rate for DL-related papers tend to increase and outperform ML-based studies in 5G domain by the means of citation metrics.
Abstract（参考訳）: 第5世代(5g)無線ネットワーク技術の導入は,次世代モバイルアプリケーションの高容量化と高速化の必要性と一致している。人工知能(AI)の最近の進歩は、機械学習(ML)とディープラーニング(DL)技術という2つの主流を持つ5Gセルネットワークも強化された。本研究の目的は,この2つの手法の科学的影響の違いを統計文献学を用いて明らかにすることである。実施された分析には、インデクシングタイプ、資金提供、ジャーナルまたはカンファレンスパブリッシングオプションに関する引用パフォーマンスと、これらのメトリクスの年次分布が含まれ、その人気傾向を詳細に評価する。 Web of Science (WoS)データベースは、MLのための2245の論文とDL関連の研究のための1407の論文をホストしている。 DL研究は2013年に9%から始まり、2022年には全DLおよびML関連研究のうち45%に到達している。科学的影響に関する結果は、dl研究が5gのml研究(英語版)(2.118)と比較してわずかに平均正規化引用(英語版)(2.256)を得られることを示しているが、両サイドのsci伸長インデックス付き論文はそれぞれ3.165と3.162である。 ESCIにインデクシングされたML関連研究は、DLと比較して2倍の引用性能を示した。 dlドメインの会議論文やmlドメインの学術論文は、小さな相違点を持つ科学的な関心よりも優れている。 ml研究の最高引用性能は2014年に達成され、このピークは2017年にdl研究で観測される。 dl関連論文の出版率と引用率の両方が,引用指標を用いて5gドメインのmlベース研究を増加・上回る傾向にあることを結論づける。

関連論文リスト

A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
論文参考訳（メタデータ） (2024-06-16T08:03:24Z)
MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。 MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
論文参考訳（メタデータ） (2024-06-10T15:19:09Z)
MSciNLI: A Diverse Benchmark for Scientific Natural Language Inference [65.37685198688538]
本稿では,5つの科学領域から抽出した132,320の文対を含むデータセットであるMSciNLIについて述べる。我々は、微調整事前学習言語モデル(PLM)とLarge Language Model(LLM)によるMSciNLIの強力なベースラインを確立する。ドメインシフトは、データセット内の異なるドメインの多様な特性を示す科学的なNLIモデルの性能を低下させることを示す。
論文参考訳（メタデータ） (2024-04-11T18:12:12Z)
Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
論文参考訳（メタデータ） (2024-04-01T17:45:15Z)
Position: AI/ML Influencers Have a Place in the Academic Process [82.2069685579588]
機械学習研究の可視性向上におけるソーシャルメディアインフルエンサーの役割について検討する。 2018年12月から2023年10月までの間に、8000以上の論文の包括的なデータセットを収集しました。我々の統計的および因果推論分析は、これらのインフルエンサーが支持する論文の引用が著しく増加することを示している。
論文参考訳（メタデータ） (2024-01-24T20:05:49Z)
On the Readiness of Scientific Data for a Fair and Transparent Use in Machine Learning [1.961305559606562]
我々は、機械学習コミュニティと規制機関のニーズを満たす科学的データドキュメンテーションがどのようにML技術に使用されるかを分析する。異なる領域の4041個のデータ文書のサンプルを検証し、要求された次元の完全性とカバレッジを評価した。我々は,データ作成者や科学データ発行者に対して,ML技術における透明性と公正な使用に対するデータの準備性を高めるための一連の勧告ガイドラインを提案する。
論文参考訳（メタデータ） (2024-01-18T12:11:27Z)
Scientific Impact of Graph-Based Approaches in Deep Learning Studies -- A Bibliometric Comparison [0.0]
2013年以降、ディープラーニングベースの研究は勢いを増し、すべてのディープラーニング研究におけるグラフベースのアプローチの速度は、次の10年間で1%から4%へと直線的に上昇した、と概説されている。近年の類似した性能にもかかわらず、グラフベースの研究は、従来のアプローチに比べて2倍の引用性能を示している。
論文参考訳（メタデータ） (2022-10-13T20:23:43Z)
Deep Graph Learning for Anomalous Citation Detection [55.81334139806342]
本稿では,新たな深層グラフ学習モデルであるGLAD(Graph Learning for Anomaly Detection)を提案する。 GLADフレームワーク内ではCPU(Citation PUrpose)と呼ばれるアルゴリズムが提案され,引用テキストに基づく引用の目的が明らかになった。
論文参考訳（メタデータ） (2022-02-23T09:05:28Z)
Deep Learning in Science [0.0]
本稿では,科学におけるディープラーニングの拡散と影響について考察する。我々はarXiv.orgの出版コーパスに対して自然言語処理(NLP)アプローチを用いる。以上の結果から,DLは複雑な知識ランドスケープをナビゲートし,その構造を覆す自動操縦機として機能していないことが示唆された。
論文参考訳（メタデータ） (2020-09-03T10:41:29Z)
Synergy between Machine/Deep Learning and Software Engineering: How Far Are We? [35.606916133846966]
2009年以降、ディープラーニング革命は機械学習(ML)/ディープラーニング(DL)とソフトウェア工学(SE)のシナジーを刺激してきた。 2009年から2018年にかけて,906件のML/DL関連SE論文について10年間の体系的文献レビューを行った。
論文参考訳（メタデータ） (2020-08-12T18:19:30Z)

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。