論文の概要: NFDI4DSO: Towards a BFO Compliant Ontology for Data Science
- arxiv url: http://arxiv.org/abs/2408.08698v1
- Date: Fri, 16 Aug 2024 12:26:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 15:35:21.425913
- Title: NFDI4DSO: Towards a BFO Compliant Ontology for Data Science
- Title（参考訳）: NFDI4DSO:データサイエンスのためのBFO準拠オントロジーを目指して
- Authors: Genet Asefa Gesese, Jörg Waitelonis, Zongxiong Chen, Sonja Schimmler, Harald Sack,
- Abstract要約: NFDI4DSプロジェクトは、データサイエンス(DS)と人工知能(AI)における研究データのアクセシビリティと相互運用性の向上を目的としている。
このポスターでは、DSとAIのリソースを記述し、NFDI4DSコンソーシアムの構造をモデル化するNFDI4DSオントロジーを紹介している。
- 参考スコア（独自算出の注目度）: 0.709535052684151
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The NFDI4DataScience (NFDI4DS) project aims to enhance the accessibility and interoperability of research data within Data Science (DS) and Artificial Intelligence (AI) by connecting digital artifacts and ensuring they adhere to FAIR (Findable, Accessible, Interoperable, and Reusable) principles. To this end, this poster introduces the NFDI4DS Ontology, which describes resources in DS and AI and models the structure of the NFDI4DS consortium. Built upon the NFDICore ontology and mapped to the Basic Formal Ontology (BFO), this ontology serves as the foundation for the NFDI4DS knowledge graph currently under development.
- Abstract（参考訳）: NFDI4DataScience(NFDI4DS)プロジェクトは、デジタルアーティファクトを接続し、FAIR(Findable, Accessible, Interoperable, Reusable)の原則に準拠することによる、データサイエンス(DS)と人工知能(AI)における研究データのアクセシビリティと相互運用性の向上を目的としている。
この目的のために、このポスターでは、DSとAIのリソースを記述し、NFDI4DSコンソーシアムの構造をモデル化するNFDI4DSオントロジーを紹介している。
NFDICoreオントロジーに基づいて構築され、Basic Formal Ontology (BFO)にマッピングされたこのオントロジーは、現在開発中のNFDI4DS知識グラフの基礎となっている。
関連論文リスト
- NFDIcore 2.0: A BFO-Compliant Ontology for Multi-Domain Research Infrastructures [14.900490446959447]
NFDIcore 2.0 は Basic Formal Ontology (BFO) に準拠したオントロジーである。
ドイツの国立研究データ基盤(NFDI)の様々な研究コミュニティを代表している。
論文 参考訳（メタデータ） (2024-09-16T11:51:05Z) - Diagnostic Reasoning in Natural Language: Computational Model and Application [68.47402386668846]
言語基底タスク(NL-DAR)の文脈における診断誘導推論(DAR)について検討する。
パール構造因果モデルに基づくNL-DARの新しいモデリングフレームワークを提案する。
得られたデータセットを用いて,NL-DARにおける人間の意思決定過程を解析する。
論文 参考訳（メタデータ） (2024-09-09T06:55:37Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - IODeep: an IOD for the introduction of deep learning in the DICOM
standard [0.0]
本稿では、ディープニューラルネットワーク(DNN)の重みとアーキテクチャの両方を記憶するための新しいDICOM情報オブジェクト定義(IOD)を提案する。
IODeepは、トレーニングされたAIモデルをDICOMインフラストラクチャに完全に統合することを保証する。
これにより、AIモデルは、Radiology病棟が生成する実際のデータに合わせて調整され、医師の意思決定プロセスが改善される。
論文 参考訳（メタデータ） (2023-11-10T09:30:06Z) - Comprehensive evaluation of deep and graph learning on drug-drug
interactions prediction [43.5957881547028]
近年の人工知能(AI)や深層学習モデル、グラフ学習モデルは、生体医学的応用において有用性を確立している。
DDI(DDI)は、ある薬物が人体に別の薬物が存在することに対する効果の変化を指す。
高度なAIとディープラーニングを正しく適用するために、開発者とユーザは、データリソースの可用性やエンコーディングなど、さまざまな課題に直面する。
論文 参考訳（メタデータ） (2023-06-08T14:54:50Z) - Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。
永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文 参考訳（メタデータ） (2022-12-28T18:03:41Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳（メタデータ） (2022-08-01T18:47:03Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Neural Architecture Search For Fault Diagnosis [6.226564415963648]
ディープラーニングはビッグデータ処理に適しており、エンドツーエンドの故障診断システムを実現する強力な特徴抽出機能を備えている。
ニューラルアーキテクチャサーチ(NAS)は急速に発展しており、ディープラーニングの次の方向性の1つになりつつある。
本稿では,補強学習を用いたNAS法による断層診断手法を提案する。
論文 参考訳（メタデータ） (2020-02-19T04:03:51Z)
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。