論文の概要: Quantitative Technology Forecasting: a Review of Trend Extrapolation
Methods
- arxiv url: http://arxiv.org/abs/2401.02549v1
- Date: Thu, 4 Jan 2024 21:41:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-08 16:39:32.668632
- Title: Quantitative Technology Forecasting: a Review of Trend Extrapolation
Methods
- Title(参考訳): 定量的技術予測--トレンド外挿法の検討
- Authors: Peng-Hung Tsai, Daniel Berleant, Richard S. Segall, Hyacinthe Aboudja,
Venkata Jaipal R. Batthula, Sheela Duggirala and Michael Howell
- Abstract要約: 我々は、トレンド外挿技術の適用に対処する文献の予測技術について、体系的なレビューを行う。
機械学習ベースのハイブリッドモデルのような新しい手法が近年出現している。
ハイブリッドモデルが従来の手法よりも優れているかどうかを判断するためには、より多くの努力と証拠が必要であるため、技術予測へのハイブリッドモデルの開発と適用の傾向が拡大すると予想している。
- 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: Quantitative technology forecasting uses quantitative methods to understand
and project technological changes. It is a broad field encompassing many
different techniques and has been applied to a vast range of technologies. A
widely used approach in this field is trend extrapolation. Based on the
publications available to us, there has been little or no attempt made to
systematically review the empirical evidence on quantitative trend
extrapolation techniques. This study attempts to close this gap by conducting a
systematic review of technology forecasting literature addressing the
application of quantitative trend extrapolation techniques. We identified 25
studies relevant to the objective of this research and classified the
techniques used in the studies into different categories, among which growth
curves and time series methods were shown to remain popular over the past
decade, while newer methods, such as machine learning-based hybrid models, have
emerged in recent years. As more effort and evidence are needed to determine if
hybrid models are superior to traditional methods, we expect to see a growing
trend in the development and application of hybrid models to technology
forecasting.
- Abstract(参考訳): 定量的技術予測は、定量的手法を使って技術的な変化を理解し、予測する。
多くの異なる技術を含む広い分野であり、幅広い技術に適用されている。
この分野で広く使われているアプローチはトレンド外挿である。
論文を参考に,定量的な外挿法に関する実証的証拠を体系的に検証する試みは,ほとんど,あるいは全く行われていない。
本研究では,このギャップを解消するために,定量的トレンド補間手法の適用に対処する文献予測技術について,体系的なレビューを行った。
本研究では,本研究の目的に関連する25の研究を同定し,成長曲線と時系列法が過去10年間にわたって人気を保ち続けているのに対して,機械学習によるハイブリッドモデルのような新しい手法が近年出現している分野に分類した。
ハイブリッドモデルが従来の方法よりも優れているかどうかを判断するためには、より多くの努力と証拠が必要となるため、ハイブリッドモデルの開発と技術予測への応用におけるトレンドが高まることを期待する。
関連論文リスト
- Multimodal Methods for Analyzing Learning and Training Environments: A Systematic Literature Review [3.0712840129998513]
本稿では,近年の方法論的進歩を包括する分類学と枠組みを提案する。
我々は,新たなデータ融合カテゴリであるMid fusionを導入し,文献レビューを精査するグラフベースの手法を引用グラフプルーニングと呼ぶ。
マルチモーダル学習とトレーニング研究と基礎的AI研究のギャップを埋めるために、さらなる研究が必要である。
論文 参考訳(メタデータ) (2024-08-22T22:42:23Z) - Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。
これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
論文 参考訳(メタデータ) (2024-08-14T16:58:48Z) - Diffusion-based Graph Generative Methods [51.04666253001781]
拡散に基づくグラフ生成法について,系統的,包括的に検討した。
まず,拡散モデル,スコアベース生成モデル,微分方程式の3つの主流パラダイムについて概説する。
最後に,現在の研究の限界と今後の探査の方向性を指摘する。
論文 参考訳(メタデータ) (2024-01-28T10:09:05Z) - Model Compression Techniques in Biometrics Applications: A Survey [5.452293986561535]
ディープラーニングアルゴリズムは人類のタスク自動化能力を大きく強化してきた。
これらのモデルの性能の大幅な改善は、その複雑さの増大と非常に相関している。
これにより、性能を著しく低下させることなく、ディープラーニングモデルの計算コストとメモリコストを大幅に削減する圧縮技術の開発につながった。
論文 参考訳(メタデータ) (2024-01-18T17:06:21Z) - Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。
我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
論文 参考訳(メタデータ) (2023-02-04T04:54:30Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳(メタデータ) (2022-09-06T16:56:21Z) - Stack Index Prediction Using Time-Series Analysis [0.0]
我々は、科学技術のトレンドを科学的に理解し、分析し、予測することを目指している。
収集したデータに機械学習モデルを適用し、異なる分野の進展の傾向を理解し、分析し、予測する。
論文 参考訳(メタデータ) (2021-08-18T12:43:26Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳(メタデータ) (2021-02-28T16:22:58Z) - Regularization Methods for Generative Adversarial Networks: An Overview
of Recent Studies [3.829070379776576]
GAN(Generative Adversarial Network)は、様々なタスクに広く研究され、利用されている。
GANのトレーニングを安定させるために、正規化法が提案されている。
論文 参考訳(メタデータ) (2020-05-19T01:59:24Z) - Data Science in Economics [9.080472817672264]
データサイエンスの進歩は、ディープラーニングモデル、アンサンブルモデル、ハイブリッドモデルの3つの個別クラスで研究されている。
その結果, ハイブリッドモデルを応用した論文の51%以上が, ハイブリッドモデルの進展傾向にあることが明らかとなった。
一方、RMSEの精度測定値に基づいて、ハイブリッドモデルは他のアルゴリズムよりも高い精度で予測できることが判明した。
論文 参考訳(メタデータ) (2020-03-19T00:06:07Z)
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。