論文の概要: Towards Ordinal Data Science
- arxiv url: http://arxiv.org/abs/2307.09477v2
- Date: Wed, 6 Dec 2023 15:09:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 18:38:14.122071
- Title: Towards Ordinal Data Science
- Title（参考訳）: 順序データ科学へ向けて
- Authors: Gerd Stumme, Dominik D\"urrschnabel, Tom Hanika
- Abstract要約: 普通データ科学は、基本的な新しい研究課題として普通データ科学を確立することを目的としている。
本研究の目的は,標準データ科学を根本的に新しい研究課題として確立することである。
- 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: Order is one of the main instruments to measure the relationship between
objects in (empirical) data. However, compared to methods that use numerical
properties of objects, the amount of ordinal methods developed is rather small.
One reason for this is the limited availability of computational resources in
the last century that would have been required for ordinal computations.
Another reason -- particularly important for this line of research -- is that
order-based methods are often seen as too mathematically rigorous for applying
them to real-world data. In this paper, we will therefore discuss different
means for measuring and 'calculating' with ordinal structures -- a specific
class of directed graphs -- and show how to infer knowledge from them. Our aim
is to establish Ordinal Data Science as a fundamentally new research agenda.
Besides cross-fertilization with other cornerstone machine learning and
knowledge representation methods, a broad range of disciplines will benefit
from this endeavor, including, psychology, sociology, economics, web science,
knowledge engineering, scientometrics.
- Abstract（参考訳）: 順序は、(経験的な)データ内のオブジェクト間の関係を測定する主要な手段の1つである。
しかし, 対象物の数値特性を利用する手法に比べ, 開発された順序法は比較的少ない。
この理由の1つは、順序計算に必要とされる計算資源が前世紀に限られていたことである。
この研究で特に重要な理由は、秩序に基づく手法は実世界のデータに適用するには数学的に厳密すぎるとしばしば見なされるためである。
そこで本論文では,順序構造 -- 有向グラフの特定のクラス -- の計測と「計算」の異なる方法について議論し,それらから知識を推測する方法を示す。
私たちの目標は、順序データ科学を根本的に新しい研究課題として確立することです。
他の基盤となる機械学習や知識表現手法との交配に加えて、心理学、社会学、経済学、ウェブサイエンス、知識工学、サイエントメトリックスなど、幅広い分野がこの取り組みの恩恵を受ける。
関連論文リスト
- Reinforcement Learning for Data-Driven Workflows in Radio Interferometry. I. Principal Demonstration in Calibration [1.167489362272148]
電波干渉計(Radio Interferometry)は、天体物理学的な現象を研究するために用いられる観測技術である。
干渉計によって収集されたデータは、天文学者が科学的な情報を抽出する前に、かなりの処理を必要とする。
本稿では、干渉法の背後にある原理とデータ処理に必要な手順を簡易に記述する。
論文 参考訳（メタデータ） (2024-10-22T16:07:55Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オントロジはドメイン知識とメタデータを表現するために広く使われている。
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。
埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。
本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-13T16:04:06Z) - Position Paper on Dataset Engineering to Accelerate Science [1.952708415083428]
この作業では、トークン ittextdataset を使用して、明確に定義されたタスクを実行するために構築されたデータの構造化セットを指定する。
具体的には、科学において、各領域にはデータセットを整理、収集、処理するためのユニークな形態がある。
科学と工学の発見プロセスは、データセット上のそのような組織の必要性の極端な例である、と我々は主張する。
論文 参考訳（メタデータ） (2023-03-09T19:07:40Z) - Greedy Discovery of Ordinal Factors [0.0]
大規模なデータセットでは、構造を発見して分析することは困難である。
順序因子は、その基本構造に基づいて、タグのサブセットを線形順序で配置する。
このような順序因子からなる完全な順序因子化は、元のデータセットを正確に表現する。
論文 参考訳（メタデータ） (2023-02-19T20:33:24Z) - Towards a Holistic Understanding of Mathematical Questions with
Contrastive Pre-training [65.10741459705739]
本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。
まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。
そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
論文 参考訳（メタデータ） (2023-01-18T14:23:29Z) - A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。
大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文 参考訳（メタデータ） (2022-12-20T18:46:16Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。
このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。
CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-04-27T21:09:51Z) - Exploring Scale-Measures of Data Sets [0.0]
データのスケーリングに関する深い理論は、形式的な概念分析の分野で開発されたスケール測定である。
最近の研究は、与えられたデータセットに対するすべての尺度の集合が格子を構成することを示している。
本稿では,よく知られた,実証された属性探索手法に基づく,新しい尺度探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-04T12:29:15Z) - Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。
時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。
ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文 参考訳（メタデータ） (2020-10-01T17:38:40Z)
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。