論文の概要: Knowledge-guided Machine Learning: Current Trends and Future Prospects
- arxiv url: http://arxiv.org/abs/2403.15989v1
- Date: Sun, 24 Mar 2024 02:54:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 20:12:47.742543
- Title: Knowledge-guided Machine Learning: Current Trends and Future Prospects
- Title(参考訳): 知識誘導型機械学習の現状と将来展望
- Authors: Anuj Karpatne, Xiaowei Jia, Vipin Kumar,
- Abstract要約: また、科学知識誘導機械学習(KGML)の新興分野の研究の現状についても紹介している。
我々は、KGML研究のさまざまな側面について、使用する科学知識の種類、知識-機械学習統合の形式、そして、科学知識をMLに組み込む方法について論じる。
- 参考スコア(独自算出の注目度): 14.783972088722193
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an overview of scientific modeling and discusses the complementary strengths and weaknesses of ML methods for scientific modeling in comparison to process-based models. It also provides an introduction to the current state of research in the emerging field of scientific knowledge-guided machine learning (KGML) that aims to use both scientific knowledge and data in ML frameworks to achieve better generalizability, scientific consistency, and explainability of results. We discuss different facets of KGML research in terms of the type of scientific knowledge used, the form of knowledge-ML integration explored, and the method for incorporating scientific knowledge in ML. We also discuss some of the common categories of use cases in environmental sciences where KGML methods are being developed, using illustrative examples in each category.
- Abstract(参考訳): 本稿では,プロセスベースモデルと比較して,科学モデリングにおけるML手法の相補的長所と短所について概説する。
また、科学知識誘導機械学習(KGML)の新興分野における現在の研究状況についても紹介し、MLフレームワークにおける科学知識とデータの両方を使用して、より良い一般化可能性、科学的一貫性、結果の説明可能性を達成することを目標としている。
我々は、KGML研究のさまざまな側面について、使用する科学知識の種類、知識-機械学習統合の形式、そして、科学知識をMLに組み込む方法について論じる。
また,KGML手法が開発されている環境科学におけるユースケースの一般的なカテゴリについても,各カテゴリの例を用いて論じる。
関連論文リスト
- Opportunities for machine learning in scientific discovery [16.526872562935463]
我々は、科学コミュニティが科学的な発見を達成するために機械学習技術をどのように活用できるかをレビューする。
課題は残るが、MLの原則的利用は基本的な科学的発見のための新たな道を開く。
論文 参考訳(メタデータ) (2024-05-07T09:58:02Z) - Understanding Biology in the Age of Artificial Intelligence [4.299566787216408]
現代生命科学の研究は、生物システムをモデル化するための人工知能のアプローチにますます依存している。
機械学習(ML)モデルは、大規模で複雑なデータセットのパターンを特定するのに有用であるが、生物学におけるその広範な応用は、従来の科学的調査方法から大きく逸脱している。
ここでは,生物現象をモデル化し,科学的知識を進化させるために,MLシステムの設計と応用を導く一般的な原理を同定する。
論文 参考訳(メタデータ) (2024-03-06T23:20:34Z) - Scientific Language Modeling: A Quantitative Review of Large Language
Models in Molecular Science [27.874571056109758]
大規模言語モデル(LLM)は、自然言語処理(NLP)の観点から科学的問題に取り組むための新しいアプローチを提供する。
我々は、ChEBI-20-MMというマルチモーダルベンチマークを提案し、モデルとデータモダリティとの互換性と知識獲得を評価する1263の実験を行った。
我々の先駆的な分析は、学習メカニズムを探求し、分子科学におけるSLMの進歩の道を開くものである。
論文 参考訳(メタデータ) (2024-02-06T16:12:36Z) - Scientific Large Language Models: A Survey on Biological & Chemical
Domains [45.873156812250514]
大規模言語モデル(LLM)は、自然言語理解の強化において、変革的な力として現れてきた。
LLMの応用は従来の言語境界を超えて、様々な科学分野で開発された専門的な言語システムを含んでいる。
AI for Science(AI for Science)のコミュニティで急成長している分野として、科学LLMは包括的な探査を義務付けている。
論文 参考訳(メタデータ) (2024-01-26T05:33:34Z) - SciGLM: Training Scientific Language Models with Self-Reflective
Instruction Annotation and Tuning [60.14510984576027]
SciGLMは、大学レベルの科学的推論を行うことができる科学言語モデルのスイートである。
本研究では, 自己回帰的指示アノテーションの枠組みを適用し, 難解な科学的問題に対する段階的推論を生成する。
言語モデルのChatGLMをSciInstructで微調整し、科学的および数学的推論能力を向上した。
論文 参考訳(メタデータ) (2024-01-15T20:22:21Z) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳(メタデータ) (2023-12-21T14:26:57Z) - Exploring the Cognitive Knowledge Structure of Large Language Models: An
Educational Diagnostic Assessment Approach [50.125704610228254]
大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。
近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。
ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
論文 参考訳(メタデータ) (2023-10-12T09:55:45Z) - Scientific Inference With Interpretable Machine Learning: Analyzing
Models to Learn About Real-World Phenomena [0.0]
解釈可能な機械学習(IML)は、機械学習モデルの振る舞いと特性に関するものである。
我々は、関連する現象特性を把握できるように、IML手法の開発方法を示す。
論文 参考訳(メタデータ) (2022-06-11T10:13:21Z) - A Hybrid Science-Guided Machine Learning Approach for Modeling and
Optimizing Chemical Processes [0.0]
ハイブリッドプロセスモデリングと最適化は、科学誘導機械学習(SGML)アプローチと組み合わせられる。
MLを用いてモデルを改善するために、直列および並列ハイブリッドモデリングのサブカテゴリの展示を行う。
MLモデルの改善に科学的原則を適用するために、我々は、科学誘導設計、学習、洗練のサブカテゴリについて論じる。
論文 参考訳(メタデータ) (2021-12-02T18:24:13Z) - Extracting a Knowledge Base of Mechanisms from COVID-19 Papers [50.17242035034729]
我々はメカニズムの知識ベース(KB)の構築を追求する。
我々は、妥当性と幅のバランスをとる広範で統一されたスキーマを開発する。
実験は、新型コロナウイルスの文献に関する学際的な科学的検索を支援するためのKBの有用性を実証する。
論文 参考訳(メタデータ) (2020-10-08T07:54:14Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。