論文の概要: The Lost Art of Mathematical Modelling
- arxiv url: http://arxiv.org/abs/2301.08559v1
- Date: Thu, 19 Jan 2023 13:16:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 13:10:35.037583
- Title: The Lost Art of Mathematical Modelling
- Title（参考訳）: 数学モデリングの失われた芸術
- Authors: Linn\'ea Gyllingberg, Abeba Birhane, and David J.T. Sumpter
- Abstract要約: 研究者らは現在,(1)のコストで活動に集中しすぎていると論じている。
この傾向は、任意の生物学的現象が無限に異なる方法でモデル化できることに気付くことで逆転することができる。
- 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: We provide a critique of mathematical biology in light of rapid developments
in modern machine learning. We argue that out of the three modelling activities
-- (1) formulating models; (2) analysing models; and (3) fitting or comparing
models to data -- inherent to mathematical biology, researchers currently focus
too much on activity (2) at the cost of (1). This trend, we propose, can be
reversed by realising that any given biological phenomena can be modelled in an
infinite number of different ways, through the adoption of an open/pluralistic
approach. We explain the open approach using fish locomotion as a case study
and illustrate some of the pitfalls -- universalism, creating models of models,
etc. -- that hinder mathematical biology. We then ask how we might rediscover a
lost art: that of creative mathematical modelling.
This article is dedicated to the memory of Edmund Crampin.
- Abstract（参考訳）: 現代の機械学習の急速な発展を踏まえた数学的生物学の批評を提供する。
我々は,(1)定式化モデル,(2)分析モデル,(3)数理生物学固有のモデルとデータとの適合性,比較という3つのモデリング活動の中で,現在,(1)のコストで活動に集中しすぎていることを論じる。
この傾向は、任意の生物学的現象が無限に異なる方法でモデル化できることに気付き、オープン/複数主義的アプローチを採用することで逆転することができる。
魚の移動をケーススタディとして使用したオープンアプローチを説明し、数学的生物学を妨げる落とし穴(普遍主義、モデルのモデルの作成など)を例示する。
そして、失われた芸術、すなわち創造的な数学的モデリングを再発見する方法を尋ねる。
この記事はエドマンド・クランプの思い出に捧げられている。
関連論文リスト
- PuzzleVQA: Diagnosing Multimodal Reasoning Challenges of Language Models with Abstract Visual Patterns [69.17409440805498]
基本概念に基づいた抽象パターンを用いた大規模マルチモーダルモデルの評価を行った。
単純な抽象パターンをうまく一般化できないことが分かりました。
系統解析の結果, GPT-4Vの主なボトルネックは視覚知覚の弱さと誘導的推論能力であることがわかった。
論文 参考訳（メタデータ） (2024-03-20T05:37:24Z) - Unified View of Grokking, Double Descent and Emergent Abilities: A
Perspective from Circuits Competition [83.13280812128411]
近年の研究では、グラッキング、二重降下、大規模言語モデルにおける創発的能力など、ディープラーニングにおける興味深い現象が明らかにされている。
本稿では,記憶回路と一般化回路の競合に着目し,これら3つの現象の統一的な見方を提供する包括的枠組みを提案する。
論文 参考訳（メタデータ） (2024-02-23T08:14:36Z) - Learning Interpretable Concepts: Unifying Causal Representation Learning
and Foundation Models [51.43538150982291]
人間の解釈可能な概念をデータから学習する方法を研究する。
両分野からアイデアをまとめ、多様なデータから概念を確実に回収できることを示す。
論文 参考訳（メタデータ） (2024-02-14T15:23:59Z) - Discovering interpretable models of scientific image data with deep
learning [0.0]
表現学習、疎い深層ニューラルネットワークトレーニング、シンボリックレグレッションを実装している。
顕微鏡データにおける細胞状態の分類に関するよく研究されたテスト問題を用いて,バイオイメージングの分野との関連性を示す。
生物現象を科学的に説明するための解釈可能なモデルの有用性について検討する。
論文 参考訳（メタデータ） (2024-02-05T15:45:55Z) - Exploring the Truth and Beauty of Theory Landscapes with Machine
Learning [1.8434042562191815]
ユカワクォークセクターをおもちゃの例として用いて、これらのタスクが機械学習技術によってどのように達成できるかを実証する。
損失最小化関数は、3つの異なる基準(均一性、疎性、対称性)で測られるように、真のモデルで得られる。
論文 参考訳（メタデータ） (2024-01-21T14:52:39Z) - Eight challenges in developing theory of intelligence [3.0349733976070024]
数学的美の優れた理論は、物理現実の新しい予測が一貫性を持って検証できるため、現在のどの観測よりも実用的である。
ここでは、この理論パラダイムに従って知性理論を開発する上での8つの課題について詳述する。
論文 参考訳（メタデータ） (2023-06-20T01:45:42Z) - Does Deep Learning Learn to Abstract? A Systematic Probing Framework [69.2366890742283]
抽象化はディープラーニングモデルにとって望ましい機能であり、具体的なインスタンスから抽象概念を誘導し、学習コンテキストを超えて柔軟に適用することを意味する。
本稿では,伝達可能性の観点から,ディープラーニングモデルの抽象化能力を検討するための体系的探索フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-23T12:50:02Z) - Solving Quantitative Reasoning Problems with Language Models [53.53969870599973]
我々は、一般的な自然言語データに基づいて事前訓練された大規模言語モデルであるMinervaを紹介し、さらに技術的な内容について訓練する。
このモデルは、外部ツールを使わずに、技術的ベンチマークで最先端のパフォーマンスを達成する。
我々はまた、物理学、生物学、化学、経済学、その他の科学における200以上の学部レベルの問題に対して、我々のモデルを評価した。
論文 参考訳（メタデータ） (2022-06-29T18:54:49Z) - Algebraic Learning: Towards Interpretable Information Modeling [0.0]
この論文は、一般的な情報モデリングにおける解釈可能性の問題に対処し、問題を2つの範囲から緩和する試みである。
まず、問題指向の視点を用いて、興味深い数学的性質が自然に現れるモデリング実践に知識を取り入れる。
第二に、訓練されたモデルを考えると、基礎となるシステムに関するさらなる洞察を抽出するために様々な方法を適用することができる。
論文 参考訳（メタデータ） (2022-03-13T15:53:39Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - A Bayesian machine scientist to aid in the solution of challenging
scientific problems [0.0]
ベイジアン・マシン・サイエンティストは、モデルよりも正確な辺縁後部への明示的な近似を用いてモデルの妥当性を確立する。
マルコフ連鎖モンテカルロを用いてモデル空間を探索する。
提案手法は,合成および実データの正確なモデルを明らかにし,既存の手法よりも高精度なサンプル外予測を提供する。
論文 参考訳（メタデータ） (2020-04-25T14:42:13Z)
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。