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 quantitative framework for evaluating architectural patterns in ML systems [49.1574468325115]
  本研究では,MLシステムにおけるアーキテクチャパターンの定量的評価のための枠組みを提案する。 コスト効率のよいCPUベースの推論のためのスケーラビリティとパフォーマンスメトリクスに注目します。
  論文  参考訳（メタデータ） (2025-01-20T15:30:09Z)
• Enhanced FIWARE-Based Architecture for Cyberphysical Systems With Tiny Machine Learning and Machine Learning Operations: A Case Study on Urban Mobility Systems [0.0]
  モビリティコンピューティングは、リアルタイム要求、分散化、および無線ネットワークを介した接続性のために、特定の障壁を提示する。 エッジコンピューティングと小さな機械学習(tinyML)に関する新しい研究は、これらの問題に対処するために、低パフォーマンスデバイス上でAIモデルの実行を調査している。 本稿では、FIWAREソフトウェアコンポーネントに基づく以前のアーキテクチャを拡張し、機械学習操作フローを実装する。
  論文  参考訳（メタデータ） (2024-11-16T13:14:29Z)
• A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks [74.52259252807191]
  MLLM(Multimodal Large Language Models)は、単一のモダリティシステムの能力を超えた現実世界のアプリケーションの複雑さに対処する。 本稿では,自然言語,視覚,音声などのマルチモーダルタスクにおけるMLLMの応用を体系的に整理する。
  論文  参考訳（メタデータ） (2024-08-02T15:14:53Z)
• Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
  検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。 本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
  論文  参考訳（メタデータ） (2024-07-17T20:01:21Z)
• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オンロジはドメインの知識とメタデータを表現するために広く使われている。 直接支援できる論理的推論は、学習、近似、予測において非常に限られています。 1つの簡単な解決策は、統計分析と機械学習を統合することである。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• 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)
• 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)
• 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)
• 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)
• 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)

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。