Fugu-MT 論文翻訳(概要): Bridging Machine Learning and Sciences: Opportunities and Challenges

論文の概要: Bridging Machine Learning and Sciences: Opportunities and Challenges

arxiv url: http://arxiv.org/abs/2210.13441v1
Date: Mon, 24 Oct 2022 17:54:46 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 15:42:03.513002
Title: Bridging Machine Learning and Sciences: Opportunities and Challenges
Title（参考訳）: 機械学習と科学を橋渡しする: 機会と挑戦
Authors: Taoli Cheng
Abstract要約: 科学における機械学習の応用は、近年、エキサイティングな進歩を見せている。ディープ・ニューラルネットに基づくアウト・オブ・ディストリビューション検出は、高次元データに対して大きな進歩をもたらした。我々は、データ普遍性、実験プロトコル、モデル堅牢性など、それらの適用可能性について批判的に考察する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The application of machine learning in sciences has seen exciting advances in recent years. As a widely-applicable technique, anomaly detection has been long studied in the machine learning community. Especially, deep neural nets-based out-of-distribution detection has made great progress for high-dimensional data. Recently, these techniques have been showing their potential in scientific disciplines. We take a critical look at their applicative prospects including data universality, experimental protocols, model robustness, etc. We discuss examples that display transferable practices and domain-specific challenges simultaneously, providing a starting point for establishing a novel interdisciplinary research paradigm in the near future.
Abstract（参考訳）: 科学における機械学習の応用は近年、エキサイティングな進歩を遂げている。広く適用可能な手法として、機械学習コミュニティでは長年にわたり異常検出が研究されてきた。特に、深層ニューラルネットワークを用いた分散検出は、高次元データにおいて大きな進歩を遂げている。近年、これらの技術は科学的分野においてその可能性を示している。データ普遍性、実験プロトコル、モデル堅牢性など、それらの適用可能性について批判的に考察する。本稿では,移行可能な実践とドメイン固有の課題を同時に提示する事例について論じ,近い将来に新たな学際研究パラダイムを確立するための出発点となる。

関連論文リスト

Deep Learning for Educational Data Science [0.6138671548064356]
ユースケースは、オープンエンドの学生エッセイやコードのスニペットを活用する高度な知識追跡モデルから、自動影響検知や行動検出まで、さまざまです。この章は、ディープラーニングの簡単な紹介、その利点と限界のいくつかの説明、教育における多くの利用に関する調査、そしてそれが教育データ科学の分野をさらに形成させる可能性について論じている。
論文参考訳（メタデータ） (2024-04-12T19:17:14Z)
Deepfake Generation and Detection: A Benchmark and Survey [134.19054491600832]
Deepfakeは、特定の条件下で非常にリアルな顔画像やビデオを作成するための技術だ。この調査は、ディープフェイクの発生と検出の最新の展開を包括的にレビューする。本研究では, 顔交換, 顔再現, 話し顔生成, 顔属性編集の4つの代表的なディープフェイク分野の研究に焦点をあてる。
論文参考訳（メタデータ） (2024-03-26T17:12:34Z)
Reproducibility and Geometric Intrinsic Dimensionality: An Investigation on Graph Neural Network Research [0.0]
これらの努力に基づいて構築することは、マシンラーニングにおけるもうひとつの重要な課題、すなわち次元の呪いに向かっています。本研究は,機械学習モデルが学習対象のデータセットの拡張次元にどのような影響を受けているのかを,本質的な次元の密接な関連概念を用いて検討する。
論文参考訳（メタデータ） (2024-03-13T11:44:30Z)
Interpretable Machine Learning for Discovery: Statistical Challenges \& Opportunities [1.2891210250935146]
我々は、解釈可能な機械学習の分野について議論し、レビューする。解釈可能な機械学習を用いて行うことができる発見の種類について概説する。我々は、これらの発見をデータ駆動方式でどのように検証するかという大きな課題に焦点をあてる。
論文参考訳（メタデータ） (2023-08-02T23:57:31Z)
Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文参考訳（メタデータ） (2023-06-06T10:18:36Z)
Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
論文参考訳（メタデータ） (2023-02-04T04:54:30Z)
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)
Deep Learning meets Liveness Detection: Recent Advancements and Challenges [3.2011056280404637]
我々は,2017年以降の深部機能的FAS手法に関する文献を包括的に調査している。本研究では,FASの時系列,進化過程,評価基準について概説する。
論文参考訳（メタデータ） (2021-12-29T19:24:58Z)
Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文参考訳（メタデータ） (2020-12-21T15:07:19Z)
Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
論文参考訳（メタデータ） (2020-05-17T11:22:11Z)
A Survey of Deep Learning for Scientific Discovery [13.372738220280317]
私たちは、ディープラーニングにおけるコア問題における根本的なブレークスルーを、主にディープニューラルネットワークの進歩によって見てきた。幅広い科学領域で収集されるデータの量は、サイズと複雑さの両方で劇的に増加しています。これは、科学的な設定でディープラーニングを応用するための多くのエキサイティングな機会を示唆している。
論文参考訳（メタデータ） (2020-03-26T06:16:08Z)

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。