論文の概要: Pathway to a fully data-driven geotechnics: lessons from materials
informatics
- arxiv url: http://arxiv.org/abs/2312.00581v1
- Date: Fri, 1 Dec 2023 13:45:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 14:30:46.641074
- Title: Pathway to a fully data-driven geotechnics: lessons from materials
informatics
- Title(参考訳): データ駆動型地球工学への道-材料情報学からの教訓
- Authors: Stephen Wu, Yu Otake, Yosuke Higo, Ikumasa Yoshida
- Abstract要約: 本稿では,データ駆動手法をジオテクニクスに統合する上での課題と機会について述べる。
深層学習の変換力を活用することで、より協調的で革新的な地学分野へのパラダイムシフトを構想する。
- 参考スコア(独自算出の注目度): 1.2172320168050468
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper elucidates the challenges and opportunities inherent in
integrating data-driven methodologies into geotechnics, drawing inspiration
from the success of materials informatics. Highlighting the intricacies of soil
complexity, heterogeneity, and the lack of comprehensive data, the discussion
underscores the pressing need for community-driven database initiatives and
open science movements. By leveraging the transformative power of deep
learning, particularly in feature extraction from high-dimensional data and the
potential of transfer learning, we envision a paradigm shift towards a more
collaborative and innovative geotechnics field. The paper concludes with a
forward-looking stance, emphasizing the revolutionary potential brought about
by advanced computational tools like large language models in reshaping
geotechnics informatics.
- Abstract(参考訳): 本稿では,データ駆動手法をジオテクニクスに統合する際の課題と機会を解明し,材料情報学の成功からインスピレーションを得た。
土壌の複雑さ、多様性、包括的なデータの欠如の複雑さを強調する議論は、コミュニティ主導のデータベースイニシアチブとオープンサイエンスの動きの必要性の高まりを強調するものだ。
深層学習の変形力、特に高次元データからの特徴抽出と転送学習の可能性を活用することで、より協力的で革新的なジオテクニクス分野へのパラダイムシフトを想定する。
論文は、大きな言語モデルのような高度な計算ツールによってもたらされる、ジオテクニクスのインフォマティクスを再構築する革命的な可能性を強調しながら、前進的なスタンスで締めくくっている。
関連論文リスト
- A spectrum of physics-informed Gaussian processes for regression in
engineering [0.0]
センサとデータ全般の可用性は向上していますが、純粋なデータ駆動アプローチから多くのサービス内エンジニアリングシステムや構造を完全に特徴づけることはできません。
本稿では、限られたデータで予測モデルを作成する能力を高めるために、機械学習技術と物理に基づく推論の組み合わせを追求する。
論文 参考訳(メタデータ) (2023-09-19T14:39:03Z) - When Geoscience Meets Foundation Models: Towards General Geoscience
Artificial Intelligence System [5.8666339171606445]
地球科学基礎モデルは、地球系の力学をシミュレートし理解するために、大規模な学際データを統合する。
データ中心人工知能(AI)パラダイムとして、ペタバイト単位の構造化データと非構造化データの洞察を明らかにする。
現在の制限にもかかわらず、地球科学財団のモデルは、気候変動、自然災害、持続可能性といった問題に対する重要な洞察を提供することを約束している。
論文 参考訳(メタデータ) (2023-09-13T08:44:09Z) - Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。
このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。
我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
論文 参考訳(メタデータ) (2023-07-03T16:01:45Z) - Machine Learning for Synthetic Data Generation: A Review [16.69126956295844]
本稿では,合成データの生成を目的とした機械学習モデルを用いた既存研究についてレビューする。
このレビューは、合成データ生成、コンピュータビジョン、スピーチ、自然言語処理、ヘルスケア、ビジネスドメインの応用から始まる様々な視点を網羅している。
この論文は、合成データ生成に関するプライバシーと公平性に関する重要な側面についても論じている。
論文 参考訳(メタデータ) (2023-02-08T13:59:31Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳(メタデータ) (2022-11-04T09:58:57Z) - Controllable Data Generation by Deep Learning: A Review [15.905017489798967]
制御可能な深層データ生成は有望な研究領域であり、一般に制御可能な深部データ生成として知られている。
本稿では、制御可能な深層データ生成として知られるこの有望な研究領域について、体系的なレビューを行う。
論文 参考訳(メタデータ) (2022-07-19T20:44:42Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳(メタデータ) (2022-07-18T11:38:32Z) - Self-Supervised Representation Learning: Introduction, Advances and
Challenges [125.38214493654534]
自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。
本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
論文 参考訳(メタデータ) (2021-10-18T13:51:22Z) - Synthetic Data: Opening the data floodgates to enable faster, more
directed development of machine learning methods [96.92041573661407]
機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。
多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。
プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
論文 参考訳(メタデータ) (2020-12-08T17:26:10Z) - Data-driven geophysics: from dictionary learning to deep learning [3.6713387874278247]
物理の「モデル駆動」アプローチは次元の呪いに悩まされ、地下を不正確にモデル化する可能性がある。
データ駆動型」技術は、地球物理データの増加によってこれらの問題を克服する可能性がある。
論文 参考訳(メタデータ) (2020-07-13T04:39:49Z) - 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)
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。