論文の概要: Describing and Organizing Semantic Web and Machine Learning Systems in
the SWeMLS-KG
- arxiv url: http://arxiv.org/abs/2303.15113v1
- Date: Mon, 27 Mar 2023 11:31:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 15:42:14.213273
- Title: Describing and Organizing Semantic Web and Machine Learning Systems in
the SWeMLS-KG
- Title(参考訳): SWeMLS-KGにおけるセマンティックWebと機械学習システムの記述と編成
- Authors: Fajar J. Ekaputra, Majlinda Llugiqi, Marta Sabou, Andreas Ekelhart,
Heiko Paulheim, Anna Breit, Artem Revenko, Laura Waltersdorfer, Kheir Eddine
Farfar, S\"oren Auer
- Abstract要約: 機械学習(ML)コンポーネントとセマンティックWeb(SW)コミュニティが開発したテクニックを組み合わせることに焦点を当てた、新しいサブ領域が登場した。
私たちは体系的な研究を行い、この領域で過去10年間に発行された500近い論文を分析しました。
我々の分析では、SWeML Systemsに対する関心が急速に高まり、いくつかのアプリケーションドメインやタスクに大きな影響を与えています。
- 参考スコア(独自算出の注目度): 4.117316143367209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In line with the general trend in artificial intelligence research to create
intelligent systems that combine learning and symbolic components, a new
sub-area has emerged that focuses on combining machine learning (ML) components
with techniques developed by the Semantic Web (SW) community - Semantic Web
Machine Learning (SWeML for short). Due to its rapid growth and impact on
several communities in the last two decades, there is a need to better
understand the space of these SWeML Systems, their characteristics, and trends.
Yet, surveys that adopt principled and unbiased approaches are missing. To fill
this gap, we performed a systematic study and analyzed nearly 500 papers
published in the last decade in this area, where we focused on evaluating
architectural, and application-specific features. Our analysis identified a
rapidly growing interest in SWeML Systems, with a high impact on several
application domains and tasks. Catalysts for this rapid growth are the
increased application of deep learning and knowledge graph technologies. By
leveraging the in-depth understanding of this area acquired through this study,
a further key contribution of this paper is a classification system for SWeML
Systems which we publish as ontology.
- Abstract(参考訳): 機械学習(ML)コンポーネントとセマンティックWeb(SW)コミュニティが開発した技術(Semantic Web Machine Learning、略してSWeML)を組み合わせることに焦点を当てた、学習と象徴的なコンポーネントを組み合わせたインテリジェントシステムを構築するための、人工知能研究の一般的なトレンドに合わせて、新たなサブ領域が登場した。
過去20年間の急速な成長といくつかのコミュニティへの影響により、これらのSWeMLシステムの空間、その特性、トレンドをよりよく理解する必要がある。
しかし、原則と偏見のないアプローチを採用する調査は欠落している。
このギャップを埋めるために、私たちは体系的な調査を行い、この領域で過去10年間に発行された500近い論文を分析しました。
我々の分析では、SWeML Systemsに対する関心が急速に高まり、いくつかのアプリケーションドメインやタスクに大きな影響を与えています。
この急速な成長の触媒は、ディープラーニングとナレッジグラフ技術の利用の増加である。
本稿では,本研究を通じて得られた領域の深い理解を活用することにより,SWeMLシステムの分類システムとして,オントロジーとして公開する。
関連論文リスト
- A Machine Learning-oriented Survey on Tiny Machine Learning [9.690117347832722]
Tiny Machine Learning(TinyML)の出現は、人工知能の分野に積極的に革命をもたらした。
TinyMLは、社会、経済、個人が効果的なAI融合コンピューティング技術を採用するのを助けるために、第4および第5次産業革命において不可欠な役割を担っている。
論文 参考訳(メタデータ) (2023-09-21T09:47:12Z) - Understanding the Complexity and Its Impact on Testing in ML-Enabled
Systems [8.630445165405606]
世界中の企業で広く採用されている産業対話システムであるRasa 3.0について検討する。
私たちのゴールは、このような大規模なML対応システムの複雑さを特徴づけ、テストにおける複雑さの影響を理解することです。
本研究は,ML対応システムにおけるソフトウェア工学の実践的意義を明らかにする。
論文 参考訳(メタデータ) (2023-01-10T08:13:24Z) - Learning with Limited Samples -- Meta-Learning and Applications to
Communication Systems [46.760568562468606]
メタ学習は、新しいタスクに迅速に適応できる学習アルゴリズムを最適化する。
このレビュー・モノグラフは、原則、アルゴリズム、理論、工学的応用をカバーし、メタラーニングの紹介を提供する。
論文 参考訳(メタデータ) (2022-10-03T17:15:36Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - Online Structured Meta-learning [137.48138166279313]
現在のオンラインメタ学習アルゴリズムは、グローバルに共有されたメタラーナーを学ぶために限られている。
この制限を克服するオンライン構造化メタラーニング(OSML)フレームワークを提案する。
3つのデータセットの実験は、提案フレームワークの有効性と解釈可能性を示している。
論文 参考訳(メタデータ) (2020-10-22T09:10:31Z) - Smart Grid: A Survey of Architectural Elements, Machine Learning and
Deep Learning Applications and Future Directions [0.0]
ビッグデータ分析、機械学習(ML)、ディープラーニング(DL)は、この膨大なデータの分析と貴重な洞察の生成において重要な役割を果たす。
本稿では、スマートグリッドのコンテキストにおいて、スマートグリッドアーキテクチャ要素、機械学習、ディープラーニングベースのアプリケーションおよびアプローチを調査し、調査する。
論文 参考訳(メタデータ) (2020-10-16T01:40:24Z) - More Diverse Means Better: Multimodal Deep Learning Meets Remote Sensing
Imagery Classification [43.35966675372692]
ディープネットワークをトレーニングし、ネットワークアーキテクチャを構築する方法を示します。
特に、深層ネットワークをトレーニングし、ネットワークアーキテクチャを構築する方法と同様に、異なる融合戦略を示す。
我々のフレームワークは画素単位の分類タスクに限らず、畳み込みニューラルネットワーク(CNN)を用いた空間情報モデリングにも適用できる。
論文 参考訳(メタデータ) (2020-08-12T17:45:25Z) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳(メタデータ) (2020-07-07T08:34:48Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳(メタデータ) (2020-06-22T19:01:21Z) - Machine Learning Systems for Intelligent Services in the IoT: A Survey [0.7106986689736825]
この調査は、探索の少ないシステムを調べるために、既存のMLアルゴリズムとクラウド駆動設計を越えている。
クラウド、エッジ、IoTデバイスにわたるMLのスケーリングと分散に関する最新の開発(2020年まで)をカバーしている。
論文 参考訳(メタデータ) (2020-05-29T18:26:48Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳(メタデータ) (2020-03-18T08:45:10Z)
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。