論文の概要: Innovation and Word Usage Patterns in Machine Learning
- arxiv url: http://arxiv.org/abs/2311.03633v1
- Date: Tue, 7 Nov 2023 00:41:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 17:30:34.649891
- Title: Innovation and Word Usage Patterns in Machine Learning
- Title(参考訳): 機械学習におけるイノベーションと単語使用パターン
- Authors: V\'itor Bandeira Borges and Daniel Oliveira Cajueiro
- Abstract要約: 機械学習の領域に現れた重要なテーマと基本的な概念を特定します。
研究貢献の斬新さと多様化を定量化するために、Kullback-Leibler Divergence 計量を用いる。
- 参考スコア(独自算出の注目度): 1.3812010983144802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we delve into the dynamic landscape of machine learning
research evolution. Initially, through the utilization of Latent Dirichlet
Allocation, we discern pivotal themes and fundamental concepts that have
emerged within the realm of machine learning. Subsequently, we undertake a
comprehensive analysis to track the evolutionary trajectories of these
identified themes. To quantify the novelty and divergence of research
contributions, we employ the Kullback-Leibler Divergence metric. This
statistical measure serves as a proxy for ``surprise'', indicating the extent
of differentiation between the content of academic papers and the subsequent
developments in research. By amalgamating these insights, we gain the ability
to ascertain the pivotal roles played by prominent researchers and the
significance of specific academic venues (periodicals and conferences) within
the machine learning domain.
- Abstract(参考訳): 本研究では,機械学習研究の進化のダイナミックな展望について考察する。
当初は、遅延ディリクレ割当の利用により、機械学習の領域に現れた中心的なテーマと基本的な概念を識別する。
その後,これらのテーマの進化的軌跡を網羅的に分析した。
研究貢献の斬新さと多様化を定量化するために、Kullback-Leibler Divergence 計量を用いる。
この統計指標は、学術論文の内容とその後の研究の発展との違いの程度を示す「サプライズ」の指標として機能する。
これらの洞察を融合することで、著名な研究者が果たす重要な役割と、機械学習領域における特定のアカデミック会場(周期や会議)の重要性を確認することができる。
関連論文リスト
- Reproducibility and Geometric Intrinsic Dimensionality: An Investigation
on Graph Neural Network Research [0.0]
これらの努力に基づいて構築することは、マシンラーニングにおけるもうひとつの重要な課題、すなわち次元の呪いに向かっています。
本研究は,機械学習モデルが学習対象のデータセットの拡張次元にどのような影響を受けているのかを,本質的な次元の密接な関連概念を用いて検討する。
論文 参考訳(メタデータ) (2024-03-13T11:44:30Z) - Spurious Correlations in Machine Learning: A Survey [69.89249134046086]
機械学習システムは、入力の偏りのある特徴と対応するラベルの間の急激な相関に敏感である。
これらの特徴とそのラベルとの相関は"spurious"として知られている。
我々は、機械学習モデルにおける素早い相関に対処する現在の最先端の手法の分類とともに、この問題を包括的にレビューする。
論文 参考訳(メタデータ) (2024-02-20T04:49:34Z) - Position Paper: Toward New Frameworks for Studying Model Representations [0.0]
文献レビューを行い、特徴と行動の表現を形式化し、その重要性と評価を強調し、表現の機械的解釈可能性に関する基礎的な調査を行う。
我々は、表現を研究することは重要かつ未研究の分野であり、現在MIで確立されている方法では表現を理解するのに十分でないという立場を正当化する。
論文 参考訳(メタデータ) (2024-02-06T10:06:13Z) - The Compute Divide in Machine Learning: A Threat to Academic
Contribution and Scrutiny? [1.0985060632689174]
計算の偏差は、計算集約的な研究トピックにおける学術のみの研究チームの表現の減少と一致していることを示す。
この傾向から生じる課題に対処するため、留意的に学術的な洞察を広めるためのアプローチを推奨する。
論文 参考訳(メタデータ) (2024-01-04T01:26:11Z) - Towards a General Framework for Continual Learning with Pre-training [59.96040498079991]
本稿では,事前学習を用いた逐次到着タスクの連続学習のための一般的な枠組みを提案する。
我々はその目的を,タスク内予測,タスク同一性推論,タスク適応予測という3つの階層的構成要素に分解する。
本稿では,パラメータ効率細調整(PEFT)技術と表現統計量を用いて,これらのコンポーネントを明示的に最適化する革新的な手法を提案する。
論文 参考訳(メタデータ) (2023-10-21T02:03:38Z) - A Diachronic Analysis of Paradigm Shifts in NLP Research: When, How, and
Why? [84.46288849132634]
本稿では、因果発見と推論技術を用いて、科学分野における研究トピックの進化を分析するための体系的な枠組みを提案する。
我々は3つの変数を定義し、NLPにおける研究トピックの進化の多様な側面を包含する。
我々は因果探索アルゴリズムを用いてこれらの変数間の因果関係を明らかにする。
論文 参考訳(メタデータ) (2023-05-22T11:08:00Z) - Improving Prediction Performance and Model Interpretability through
Attention Mechanisms from Basic and Applied Research Perspectives [3.553493344868414]
この論文は著者の論文の要約に基づいている。
ディープラーニングモデルは、従来の機械学習モデルよりも予測性能がはるかに高い。
特定の予測プロセスの解釈や説明は依然として困難である。
論文 参考訳(メタデータ) (2023-03-24T16:24:08Z) - Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on
Neuro-Symbolic Computing [66.91310801654548]
ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。
NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
論文 参考訳(メタデータ) (2022-10-28T04:38:10Z) - Foundations and Recent Trends in Multimodal Machine Learning:
Principles, Challenges, and Open Questions [68.6358773622615]
本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。
本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。
最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
論文 参考訳(メタデータ) (2022-09-07T19:21:19Z) - 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)
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。