論文の概要: Reproducibility of Machine Learning: Terminology, Recommendations and Open Issues

• arxiv url: http://arxiv.org/abs/2302.12691v1
• Date: Fri, 24 Feb 2023 15:33:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 13:09:05.105953
• Title: Reproducibility of Machine Learning: Terminology, Recommendations and Open Issues
• Title（参考訳）: 機械学習の再現性:用語・勧告・オープン・イシュー
• Authors: Riccardo Albertoni and Sara Colantonio and Piotr Skrzypczy\'nski and Jerzy Stefanowski
• Abstract要約: 危機が最近科学者によって認識され、これはさらに人工知能と機械学習に影響を及ぼしているようだ。 私たちは、このトピックに関する現在の文献を批判的にレビューし、オープンな問題を強調します。 現代の機械学習でよく見過ごされる重要な要素を特定し、それらの新しい推奨事項を提供します。
• 参考スコア（独自算出の注目度）: 5.30596984761294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reproducibility is one of the core dimensions that concur to deliver Trustworthy Artificial Intelligence. Broadly speaking, reproducibility can be defined as the possibility to reproduce the same or a similar experiment or method, thereby obtaining the same or similar results as the original scientists. It is an essential ingredient of the scientific method and crucial for gaining trust in relevant claims. A reproducibility crisis has been recently acknowledged by scientists and this seems to affect even more Artificial Intelligence and Machine Learning, due to the complexity of the models at the core of their recent successes. Notwithstanding the recent debate on Artificial Intelligence reproducibility, its practical implementation is still insufficient, also because many technical issues are overlooked. In this survey, we critically review the current literature on the topic and highlight the open issues. Our contribution is three-fold. We propose a concise terminological review of the terms coming into play. We collect and systematize existing recommendations for achieving reproducibility, putting forth the means to comply with them. We identify key elements often overlooked in modern Machine Learning and provide novel recommendations for them. We further specialize these for two critical application domains, namely the biomedical and physical artificial intelligence fields.
• Abstract（参考訳）: 再現性は、信頼できる人工知能を提供するためのコアディメンジョンの1つです。 広義には、再現性は、同一または類似の実験または方法の再現の可能性として定義することができ、その結果、元の科学者と同一または類似の結果を得られる。 これは科学的手法の重要な要素であり、関連する主張の信頼を得るのに不可欠である。 再現性危機は最近科学者によって認識され、最近の成功の核心にあるモデルの複雑さのために、さらに人工知能と機械学習に影響を与えているように見える。 人工知能の再現性に関する最近の議論にもかかわらず、その実践的実装はまだ不十分である。 本調査では,このトピックに関する現在の文献を批判的にレビューし,オープンイシューを強調する。 私たちの貢献は3倍です。 本稿では,その用語の簡潔な用語学的考察を提案する。 我々は、再現性を達成するための既存の推奨事項を収集し、体系化し、それに従う手段を定めます。 現代の機械学習でよく見過ごされる重要な要素を特定し、それらの新しい推奨事項を提供します。 さらに,これらを生物医学分野と物理分野の2つの重要な応用分野に特化している。

関連論文リスト

• Automated Explanation Selection for Scientific Discovery [0.0]
  本稿では,機械学習と自動推論を組み合わせた科学的発見のサイクルを提案する。 本稿では,社会学と認知科学の知見に基づく説明選択問題の分類について述べる。
  論文  参考訳（メタデータ） (2024-07-24T17:41:32Z)
• Leveraging large language models for nano synthesis mechanism explanation: solid foundations or mere conjectures? [12.874860522120326]
  我々は,金ナノ粒子合成のメカニズムに着目した775個の多重選択質問からなるベンチマークを開発した。 そこで我々は,評価基準である信頼度に基づくスコア(cスコア)を提案し,出力ロジットを探索し,正解の正確な確率を導出する。
  論文  参考訳（メタデータ） (2024-07-12T02:05:59Z)
• Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
  本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。 研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T06:25:26Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
  科学のためのAI(AI4Science)として知られる新しい研究領域 領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。 主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
  論文  参考訳（メタデータ） (2023-07-17T12:14:14Z)
• The Age of Synthetic Realities: Challenges and Opportunities [85.058932103181]
  我々は、有害な合成生成を識別し、それらを現実と区別することのできる法医学的手法の開発における重要な必要性を強調した。 我々の焦点は、画像、ビデオ、オーディオ、テキストなどの様々なメディアの形式にまで及んでいる。 この研究は、AI生成技術の急速な進歩と、法科学の基本原理に対する影響により、最も重要である。
  論文  参考訳（メタデータ） (2023-06-09T15:55:10Z)
• Building a Culture of Reproducibility in Academic Research [55.22219308265945]
  再現性(reproducibility)は、研究者が「抽象的な」議論をしない理想であるが、願望が学界の冷酷な現実と出会うと、しばしば「消える」という理想である。 このエッセイでは、他の優先順位に対する要求のバランスをとりながら、運用方法に不満を抱く個人的な経験を共有します。
  論文  参考訳（メタデータ） (2022-12-27T16:03:50Z)
• When not to use machine learning: a perspective on potential and limitations [0.0]
  データ駆動モデリングの指針原則と、これらの原則が、ほぼ魔法のような予測力を持つモデルをどのように組み合わせているかを強調します。 フォローすべき議論は、研究者にそのテクニックが適切かどうかをよりよく理解してもらうことを願っている。
  論文  参考訳（メタデータ） (2022-10-06T04:00:00Z)
• Reproducibility in machine learning for medical imaging [3.1390096961027076]
  本章は、医療画像の機械学習分野の研究者への紹介である。 それぞれの目的は、それを定義すること、それを達成するための要件を説明すること、有用性について議論することである。 この章は、教義の利点に関する議論と、この概念と研究実践におけるその実践に対する非教義的なアプローチへの嘆願で終わる。
  論文  参考訳（メタデータ） (2022-09-12T09:00:04Z)

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。