論文の概要: AI Competitions and Benchmarks: The life cycle of challenges and
benchmarks
- arxiv url: http://arxiv.org/abs/2312.05296v1
- Date: Fri, 8 Dec 2023 18:44:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 21:49:26.641709
- Title: AI Competitions and Benchmarks: The life cycle of challenges and
benchmarks
- Title（参考訳）: aiコンペティションとベンチマーク: 挑戦とベンチマークのライフサイクル
- Authors: Gustavo Stolovitzky, Julio Saez-Rodriguez, Julie Bletz, Jacob
Albrecht, Gaia Andreoletti, James C. Costello, Paul Boutros
- Abstract要約: 我々は、堅牢なイノベーションの軸として、科学研究とアルゴリズム開発コミュニティを創造的に活用する必要性を論じる。
高度に複雑で大規模なデータ分析における協調的なコミュニティの関与は、ロバストな方法論を見つけるための一つのアプローチとして現れてきた。
- 参考スコア（独自算出の注目度）: 0.49478969093606673
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Data Science research is undergoing a revolution fueled by the transformative
power of technology, the Internet, and an ever increasing computational
capacity. The rate at which sophisticated algorithms can be developed is
unprecedented, yet they remain outpaced by the massive amounts of data that are
increasingly available to researchers. Here we argue for the need to creatively
leverage the scientific research and algorithm development community as an axis
of robust innovation. Engaging these communities in the scientific discovery
enterprise by critical assessments, community experiments, and/or crowdsourcing
will multiply opportunities to develop new data driven, reproducible and well
benchmarked algorithmic solutions to fundamental and applied problems of
current interest. Coordinated community engagement in the analysis of highly
complex and massive data has emerged as one approach to find robust
methodologies that best address these challenges. When community engagement is
done in the form of competitions, also known as challenges, the validation of
the analytical methodology is inherently addressed, establishing performance
benchmarks. Finally, challenges foster open innovation across multiple
disciplines to create communities that collaborate directly or indirectly to
address significant scientific gaps. Together, participants can solve important
problems as varied as health research, climate change, and social equity.
Ultimately, challenges can catalyze and accelerate the synthesis of complex
data into knowledge or actionable information, and should be viewed a powerful
tool to make lasting social and research contributions.
- Abstract（参考訳）: データサイエンスの研究は、テクノロジーの変革的な力、インターネット、そしてますます増加する計算能力によって、革命を繰り広げている。
高度なアルゴリズムを開発できる速度は前例がないが、研究者がますます利用しやすくなっている大量のデータに圧倒されている。
ここでは、科学的研究とアルゴリズム開発コミュニティを堅牢なイノベーションの軸として創造的に活用する必要性を議論する。
科学的発見企業におけるこれらのコミュニティを、批判的な評価、コミュニティ実験、および/またはクラウドソーシングによって拡張することで、現在の関心事の基本的および応用的な問題に対する、新しいデータ駆動、再現可能、および十分にベンチマークされたアルゴリズムソリューションを開発する機会を倍増する。
高度に複雑で大規模なデータ分析におけるコミュニティの関与は、これらの課題に最も対処する堅牢な方法論を見つけるための一つのアプローチとして現れている。
コミュニティエンゲージメントが、課題としても知られる競争の形で実施される場合、分析手法の検証は本質的に対処され、パフォーマンスベンチマークが確立される。
最後に、大きな科学的ギャップに対処するために直接的または間接的に協力するコミュニティを作るために、複数の分野にわたるオープンイノベーションを育む。
参加者は共に、健康研究、気候変動、社会的平等など、さまざまな問題を解決することができる。
究極的には、複雑なデータの合成を、知識や行動可能な情報に触媒し、加速し、永続的な社会的および研究的な貢献をするための強力なツールと見なされるべきである。
関連論文リスト
- Academic competitions [61.592427413342975]
この章では、機械学習とその関連分野の文脈における学術的課題について調査する。
ここ数年で最も影響力のあるコンペをレビューし、知識領域における課題を分析します。
科学的な課題,その目標,主要な成果,今後の数年間の期待を概観する。
論文 参考訳（メタデータ） (2023-12-01T01:01:04Z) - Data Science for Social Good [2.8621556092850065]
本稿では,「データ・サイエンス・フォー・ソーシャル・グッド」(DSSG)研究の枠組みについて述べる。
本研究では,情報システムにおけるDSSG研究の質を実証的に示すために,文献の分析を行う。
この記事と特別号が今後のDSSG研究を刺激することを期待している。
論文 参考訳（メタデータ） (2023-11-02T15:40:20Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - A research infrastructure for generating and sharing diversity-aware
data [0.0]
日常生活における多様性の側面をコンピュータ化する傾向に伴うデータフローは、人々の保護と新技術への信頼に関する問題と関連している。
我々は,市民科学コミュニティ内で信頼性の高い多様性を意識したデータを可能にする,エンドツーエンドの研究基盤の開発を論じる。
論文 参考訳（メタデータ） (2023-06-16T10:43:42Z) - AI for Science: An Emerging Agenda [30.260160661295682]
本報告では,Dagtuhl Seminar 22382 "Machine Learning for Science: Bridging Data-Driven and Mechanistic Modelling"のプログラムと成果について報告する。
AIの変革的ポテンシャルは、分野にわたって広く適用可能であることに由来するもので、研究領域間での統合によってのみ達成される。
技術的な進歩に加えて、この分野における次の進歩の波は、機械学習研究者、ドメインエキスパート、市民科学者、エンジニアのコミュニティを構築することにある。
論文 参考訳（メタデータ） (2023-03-07T20:21:43Z) - Coordinated Science Laboratory 70th Anniversary Symposium: The Future of
Computing [80.72844751804166]
2021年、コーディネート・サイエンス研究所(CSL)は70周年を記念して、Future of Computing Symposiumを開催した。
シンポジウムで提案された主要な技術的ポイント、洞察、方向性を要約する。
参加者は、新しいコンピューティングパラダイム、技術、アルゴリズム、行動、そして将来予想される研究課題に関するトピックについて議論した。
論文 参考訳（メタデータ） (2022-10-04T17:32:27Z) - 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) - Empowering Local Communities Using Artificial Intelligence [70.17085406202368]
人中心の観点から、AIが社会に与える影響を探求する上で重要なトピックとなっている。
市民科学におけるこれまでの研究は、AIを使って研究に大衆を巻き込む方法を特定してきた。
本稿では,コミュニティ市民科学にAIを適用する上での課題について論じる。
論文 参考訳（メタデータ） (2021-10-05T12:51:11Z) - Big Data Analytics Applying the Fusion Approach of Multicriteria
Decision Making with Deep Learning Algorithms [0.0]
複数基準に基づく意思決定は、ビッグデータ分析における代替効果に関連する様々な問題に対して解決すべき重要な問題の1つである。
意思決定のようなアルゴリズムや、マルチ基準に基づくディープラーニングメカニズムを含む、最新の機械学習技術に基づくソリューションを見つける傾向があります。
本質的には、ビジネス、農業、情報技術、コンピュータ科学を含むいくつかの分野は、深層学習と多基準に基づく意思決定問題を使用する。
論文 参考訳（メタデータ） (2021-02-02T05:56:03Z)
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。