論文の概要: Towards a Knowledge Graph for Models and Algorithms in Applied Mathematics
- arxiv url: http://arxiv.org/abs/2408.10003v1
- Date: Mon, 19 Aug 2024 13:57:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 16:03:38.474745
- Title: Towards a Knowledge Graph for Models and Algorithms in Applied Mathematics
- Title（参考訳）: 応用数学におけるモデルとアルゴリズムの知識グラフを目指して
- Authors: Björn Schembera, Frank Wübbeling, Hendrik Kleikamp, Burkhard Schmidt, Aurela Shehu, Marco Reidelbach, Christine Biedinger, Jochen Fiedler, Thomas Koprucki, Dorothea Iglezakis, Dominik Göddeke,
- Abstract要約: この研究データをFAIRにするために、モデルとアルゴリズム、およびそれらの関係を意味的に表現することを目指している。
2つのアルゴリズム的タスク間のリンクは、対応するタスクに対応するモデリングで発生するため確立される。
ここでは、行列の対称性や数学的モデルの線型性など、対象固有のメタデータが関係している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mathematical models and algorithms are an essential part of mathematical research data, as they are epistemically grounding numerical data. In order to represent models and algorithms as well as their relationship semantically to make this research data FAIR, two previously distinct ontologies were merged and extended, becoming a living knowledge graph. The link between the two ontologies is established by introducing computational tasks, as they occur in modeling, corresponding to algorithmic tasks. Moreover, controlled vocabularies are incorporated and a new class, distinguishing base quantities from specific use case quantities, was introduced. Also, both models and algorithms can now be enriched with metadata. Subject-specific metadata is particularly relevant here, such as the symmetry of a matrix or the linearity of a mathematical model. This is the only way to express specific workflows with concrete models and algorithms, as the feasible solution algorithm can only be determined if the mathematical properties of a model are known. We demonstrate this using two examples from different application areas of applied mathematics. In addition, we have already integrated over 250 research assets from applied mathematics into our knowledge graph.
- Abstract（参考訳）: 数学的モデルとアルゴリズムは、数値データを認識的に基礎づけているため、数学的研究データの不可欠な部分である。
モデルとアルゴリズムとそれらの関係を意味的に表現し、この研究データFAIRを作成するために、2つの従来とは異なるオントロジーをマージして拡張し、生きた知識グラフとなった。
2つのオントロジ間のリンクは、アルゴリズム的なタスクに対応するモデリングで発生する計算タスクを導入することによって確立される。
また, 制御語彙が組み込まれ, 特定の使用事例量と基本量を区別する新たなクラスが導入された。
また、モデルとアルゴリズムの両方にメタデータが加わった。
ここでは、行列の対称性や数学的モデルの線型性など、主題固有のメタデータが特に関係している。
これは具体的なモデルとアルゴリズムで特定のワークフローを表現する唯一の方法であり、実現可能な解アルゴリズムはモデルの数学的性質が知られている場合にのみ決定できる。
応用数学の応用分野の異なる2つの例を用いてこれを実証する。
また、すでに250以上の研究資産を応用数学から知識グラフに統合しています。
関連論文リスト
- Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。
本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。
我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文 参考訳（メタデータ） (2024-11-08T17:40:43Z) - Masked Image Modeling: A Survey [73.21154550957898]
マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。
我々は近年,分類学を構築し,最も顕著な論文をレビューしている。
我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
論文 参考訳（メタデータ） (2024-08-13T07:27:02Z) - Learnable & Interpretable Model Combination in Dynamic Systems Modeling [0.0]
我々は、通常、どのモデルが組み合わされるかについて議論し、様々な混合方程式に基づくモデルを表現することができるモデルインターフェースを提案する。
本稿では,2つの組み合わせモデル間の汎用的な接続を,容易に解釈可能な方法で記述できる新しいワイルドカードトポロジーを提案する。
本稿では、2つのモデル間の異なる接続トポロジを学習し、解釈し、比較する。
論文 参考訳（メタデータ） (2024-06-12T11:17:11Z) - Ontologies for Models and Algorithms in Applied Mathematics and Related Disciplines [0.0]
数学研究イニシアチブは重要な知識グラフを開発し、統合し、実装してきた。
これは、意味技術を導入し、数学的基礎を文書化する数学的研究データの作成に貢献する。
論文 参考訳（メタデータ） (2023-10-31T13:24:28Z) - Geometry of EM and related iterative algorithms [8.228889210180268]
期待-最大化(EM)アルゴリズムは、統計的推論の方法論として長年使われてきた単純なメタアルゴリズムである。
本稿では,EMアルゴリズムの情報幾何学的定式化である$em$アルゴリズムとその拡張と様々な問題への応用について紹介する。
論文 参考訳（メタデータ） (2022-09-03T00:23:23Z) - RandomSCM: interpretable ensembles of sparse classifiers tailored for
omics data [59.4141628321618]
決定規則の結合や解離に基づくアンサンブル学習アルゴリズムを提案する。
モデルの解釈可能性により、高次元データのバイオマーカー発見やパターン発見に有用である。
論文 参考訳（メタデータ） (2022-08-11T13:55:04Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Learning ODE Models with Qualitative Structure Using Gaussian Processes [0.6882042556551611]
多くのコンテキストにおいて、明示的なデータ収集は高価であり、学習アルゴリズムはデータ効率が良くなければならない。
スパースガウス過程を用いて微分方程式のベクトル場を学習する手法を提案する。
この組み合わせにより,外挿性能と長期的挙動が大幅に向上し,計算コストの低減が図られる。
論文 参考訳（メタデータ） (2020-11-10T19:34:07Z) - Connecting actuarial judgment to probabilistic learning techniques with
graph theory [0.0]
フォーマリズムは、非生命保険請求データのモデリングにおける応用に非常に有用である、と論じられている。
また, この手法の利点を活かすために, 現在のアクチュアリモデルを用いてグラフィカルに表現できることが示されている。
論文 参考訳（メタデータ） (2020-07-29T13:24:40Z) - The data-driven physical-based equations discovery using evolutionary
approach [77.34726150561087]
与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。
このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。
解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
論文 参考訳（メタデータ） (2020-04-03T17:21:57Z) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳（メタデータ） (2020-02-20T10:50:58Z)
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。