論文の概要: Constructing Impactful Machine Learning Research for Astronomy: Best Practices for Researchers and Reviewers

• arxiv url: http://arxiv.org/abs/2310.12528v1
• Date: Thu, 19 Oct 2023 07:04:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-20 16:26:06.808997
• Title: Constructing Impactful Machine Learning Research for Astronomy: Best Practices for Researchers and Reviewers
• Title（参考訳）: 天文学のためのインパクトフル機械学習研究の構築:研究者とレビュアーのためのベストプラクティス
• Authors: D. Huppenkothen, M. Ntampaka, M. Ho, M. Fouesneau, B. Nord, J. E. G. Peek, M. Walmsley, J. F. Wu, C. Avestruz, T. Buck, M. Brescia, D. P. Finkbeiner, A. D. Goulding, T. Kacprzak, P. Melchior, M. Pasquato, N. Ramachandra, Y.-S. Ting, G. van de Ven, S. Villar, V.A. Villar, E. Zinger
• Abstract要約: 機械学習は、天文学のコミュニティにとって、急速に選択のツールになりつつある。 本稿では、機械学習モデルの実装方法と結果の報告方法について、天文学コミュニティにプライマーを提供する。
• 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: Machine learning has rapidly become a tool of choice for the astronomical community. It is being applied across a wide range of wavelengths and problems, from the classification of transients to neural network emulators of cosmological simulations, and is shifting paradigms about how we generate and report scientific results. At the same time, this class of method comes with its own set of best practices, challenges, and drawbacks, which, at present, are often reported on incompletely in the astrophysical literature. With this paper, we aim to provide a primer to the astronomical community, including authors, reviewers, and editors, on how to implement machine learning models and report their results in a way that ensures the accuracy of the results, reproducibility of the findings, and usefulness of the method.
• Abstract（参考訳）: 機械学習は天文学界にとって急速に好まれるツールになっている。 宇宙シミュレーションのトランジェントからニューラルネットワークエミュレータの分類に至るまで、幅広い波長や問題に適用されており、科学的結果の生成と報告に関するパラダイムをシフトしている。 同時に、この方法には独自のベストプラクティス、課題、欠点が伴い、現在では天体物理学の文献でしばしば不完全に報告されている。 本稿では、著者、レビュアー、編集者を含む天文学コミュニティに対して、機械学習モデルの実装方法と結果の正確性、発見の再現性、方法の有用性を保証する方法で結果を報告するためのプライマーを提供することを目的としている。

関連論文リスト

• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• 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)
• 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)
• Assessing Exoplanet Habitability through Data-driven Approaches: A Comprehensive Literature Review [0.0]
  レビューは、太陽系外惑星研究における新たなトレンドと進歩を照らすことを目的としている。 太陽系外惑星の検出、分類、可視化の相互作用に焦点を当てる。 太陽系外惑星研究で使用される機械学習アプローチの幅広いスペクトルを記述する。
  論文  参考訳（メタデータ） (2023-05-18T17:18:15Z)
• Evaluation Challenges for Geospatial ML [5.576083740549639]
  地理空間機械学習モデルと地図は、科学と政策の下流分析にますます使われている。 空間機械学習出力の正確な測定方法は議論の的となっている。 本稿では,グローバルあるいはリモートセンシングされたデータセットを用いた地理空間機械学習におけるモデル評価のユニークな課題について述べる。
  論文  参考訳（メタデータ） (2023-03-31T14:24:06Z)
• Lessons from the Development of an Anomaly Detection Interface on the Mars Perseverance Rover using the ISHMAP Framework [8.353815643035498]
  本稿では,機械学習に基づく異常検出の代替手法を用いた結果について述べる。 我々は、スペクトル異常を検出し、解釈しようとするNASAの科学者が直面する重要な問題を定義するために、コンテキスト内ユーザーリサーチと共同設計を18ヶ月以上にわたって実施したことを報告した。 我々はPIXL科学者のための新しいスペクトル異常検出ツールキットを開発し、科学的解釈に対する強い透明性を維持しつつ、高精度である。
  論文  参考訳（メタデータ） (2023-02-14T16:55:32Z)
• Bridging Machine Learning and Sciences: Opportunities and Challenges [0.0]
  機械学習の科学への応用は、近年、エキサイティングな進歩を遂げている。 近年,ディープ・ニューラルネットを用いたアウト・オブ・ディストリビューション検出は高次元データにおいて大きな進歩を遂げている。 我々は、データ普遍性、実験プロトコル、モデル堅牢性など、それらの適用可能性について批判的に考察する。
  論文  参考訳（メタデータ） (2022-10-24T17:54:46Z)
• Machine Learning and Cosmology [47.49675865724787]
  宇宙論における機械学習の適用に関する現在および現在進行中の展開を要約する。 今後10年にわたって、これらの急成長するツールの科学的影響を最大化するためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-03-15T16:50:46Z)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)
• On-the-fly Closed-loop Autonomous Materials Discovery via Bayesian Active Learning [12.021024778717575]
  我々は、高度な素材の発見に、クローズドループでアクティブな学習駆動型自律システムに焦点を当てる。 複雑で高度な材料を手元に配置できる自律的な研究手法を実証する。 このロボット科学は、ネットワーク上の科学を可能にし、科学者の経済的影響を研究室から物理的に切り離すことができる。
  論文  参考訳（メタデータ） (2020-06-11T01:26:24Z)

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。