Fugu-MT 論文翻訳(概要): Position Paper: Rethinking Empirical Research in Machine Learning: Addressing Epistemic and Methodological Challenges of Experimentation

論文の概要: Position Paper: Rethinking Empirical Research in Machine Learning: Addressing Epistemic and Methodological Challenges of Experimentation

arxiv url: http://arxiv.org/abs/2405.02200v1
Date: Fri, 3 May 2024 15:57:22 GMT
ステータス: 処理完了
システム内更新日: 2024-05-06 12:16:37.194558
Title: Position Paper: Rethinking Empirical Research in Machine Learning: Addressing Epistemic and Methodological Challenges of Experimentation
Title（参考訳）: ポジションペーパー:機械学習における実証研究を再考する:実験の疫学的課題と方法論的課題に対処する
Authors: Moritz Herrmann, F. Julian D. Lange, Katharina Eggensperger, Giuseppe Casalicchio, Marcel Wever, Matthias Feurer, David Rügamer, Eyke Hüllermeier, Anne-Laure Boulesteix, Bernd Bischl,
Abstract要約: 機械学習(ML)における実証研究の共通理解と不完全理解に警告する我々は、最近の経験的ML研究は、むしろ探索的なものとみなすべきであるが、確認研究として流用されていると論じている。
参考スコア（独自算出の注目度）: 27.98438336835043
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We warn against a common but incomplete understanding of empirical research in machine learning (ML) that leads to non-replicable results, makes findings unreliable, and threatens to undermine progress in the field. To overcome this alarming situation, we call for more awareness of the plurality of ways of gaining knowledge experimentally but also of some epistemic limitations. In particular, we argue most current empirical ML research is fashioned as confirmatory research while it should rather be considered exploratory.
Abstract（参考訳）: 我々は、機械学習(ML)における実証研究の一般的な理解が不完全な結果をもたらすことを警告し、結果の信頼性を損なうとともに、現場の進歩を損なう恐れがある。この危機を克服するために、我々は複数の知識を実験的に獲得する方法の認知度を高めるとともに、いくつかのエピステマ性制限も求めている。特に、最近の経験的ML研究は、むしろ探索的なものとみなすべきであるが、確認研究として採用されている。

関連論文リスト

A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [76.47138162283714]
蓄積とは、以前取得した情報や知識の喪失または劣化を指す。フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。調査では、忘れることは二重刃の剣であり、ある場合には有益で望ましいと論じている。
論文参考訳（メタデータ） (2023-07-16T16:27:58Z)
A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
実験と観測を組み合わせた二重機械学習手法を提案する。我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
論文参考訳（メタデータ） (2023-07-04T02:53:11Z)
Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文参考訳（メタデータ） (2023-06-06T10:18:36Z)
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)
Bridging Machine Learning and Sciences: Opportunities and Challenges [0.0]
機械学習の科学への応用は、近年、エキサイティングな進歩を遂げている。近年,ディープ・ニューラルネットを用いたアウト・オブ・ディストリビューション検出は高次元データにおいて大きな進歩を遂げている。我々は、データ普遍性、実験プロトコル、モデル堅牢性など、それらの適用可能性について批判的に考察する。
論文参考訳（メタデータ） (2022-10-24T17:54:46Z)
An information-theoretic perspective on intrinsic motivation in reinforcement learning: a survey [0.0]
本稿では,これらの研究成果を情報理論に基づく新たな分類法を用いて調査することを提案する。我々は、サプライズ、ノベルティ、スキル学習の概念を計算的に再考する。我々の分析は、新規性とサプライズがトランスファー可能なスキルの階層を構築するのに役立つことを示唆している。
論文参考訳（メタデータ） (2022-09-19T09:47:43Z)
From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
論文参考訳（メタデータ） (2022-01-20T17:07:03Z)
Rehearsal revealed: The limits and merits of revisiting samples in continual learning [43.40531878205344]
我々は,継続学習における最も確立された手法の一つであるリハーサルの限界とメリットについて考察する。リハーサルで順次訓練されたモデルは、タスクが完了した後も同じ低損失領域にとどまりがちであるが、サンプルメモリに過剰適合する危険性がある。
論文参考訳（メタデータ） (2021-04-15T13:28:14Z)
Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文参考訳（メタデータ） (2020-12-21T15:07:19Z)
Measure Utility, Gain Trust: Practical Advice for XAI Researcher [2.4756236418706483]
研究者は信頼ではなく、機械学習の説明の有用性に重点を置くことを推奨する。説明が有用である5つの広いユースケースを概説する。客観的な経験的測定と偽りの仮説に依存する擬似実験について述べる。
論文参考訳（メタデータ） (2020-09-27T18:55:33Z)
Levels of Analysis for Machine Learning [5.042576270337081]
我々は、研究を理解し、分析し、議論するために使用できる共通の概念的枠組みの採用を提唱する。認知科学や神経科学で人気があり、機械学習にも大いに役立つと信じているフレームワークを提示する。
論文参考訳（メタデータ） (2020-04-06T15:58:44Z)

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。