論文の概要: Uncovering simultaneous breakthroughs with a robust measure of disruptiveness

• arxiv url: http://arxiv.org/abs/2502.16845v1
• Date: Mon, 24 Feb 2025 05:03:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:55:42.310699
• Title: Uncovering simultaneous breakthroughs with a robust measure of disruptiveness
• Title（参考訳）: 破壊性の頑健な尺度による同時ブレークスルーの発見
• Authors: Munjung Kim, Sadamori Kojaku, Yong-Yeol Ahn,
• Abstract要約: 本稿では,ニューラル埋め込みフレームワークに基づく破壊性の新しい連続的尺度を提案する。 破壊的なイノベーションと同時発見を識別するための、より堅牢で正確なレンズを提供することにより、我々の研究は、変革的貢献を評価するためのより公平な基盤を提供する。
• 参考スコア（独自算出の注目度）: 3.0042612645536098
• License:
• Abstract: Progress in science and technology is punctuated by disruptive innovation and breakthroughs. Researchers have characterized these disruptions to explore the factors that spark such innovations and to assess their long-term trends. However, although understanding disruptive breakthroughs and their drivers hinges upon accurately quantifying disruptiveness, the core metric used in previous studies -- the disruption index -- remains insufficiently understood and tested. Here, after demonstrating the critical shortcomings of the disruption index, including its conflicting evaluations for simultaneous discoveries, we propose a new, continuous measure of disruptiveness based on a neural embedding framework that addresses these limitations. Our measure not only better distinguishes disruptive works, such as Nobel Prize-winning papers, from others, but also reveals simultaneous disruptions by allowing us to identify the "twins" that have the most similar future context. By offering a more robust and precise lens for identifying disruptive innovations and simultaneous discoveries, our study provides a foundation for deepening insights into the mechanisms driving scientific breakthroughs while establishing a more equitable basis for evaluating transformative contributions.
• Abstract（参考訳）: 科学と技術の進歩は破壊的な革新と突破口によって予測される。 研究者はこうした破壊を特徴付け、こうしたイノベーションを刺激する要因を探求し、彼らの長期的な傾向を評価する。 しかし、破壊的ブレークスルーの理解と、そのドライバーが破壊性を正確に定量化するためには、以前の研究で使われたコアメトリックーであるディスラプティブ指数は、まだ十分に理解されておらず、テストされている。 ここでは、同時発見のための相反する評価を含む破壊指数の重大な欠点を実証した後、これらの制限に対処する神経埋め込みフレームワークに基づく、破壊性の新たな継続的な尺度を提案する。 我々の措置は、ノーベル賞受賞論文などの破壊的な作品と、他の論文とを区別するだけでなく、最も類似した未来の文脈を持つ「双子」を識別することで、同時的な破壊を明らかにします。 破壊的なイノベーションと同時発見を識別するための、より堅牢で正確なレンズを提供することにより、我々の研究は、革新的貢献を評価するためのより公平な基盤を確立しながら、科学的ブレークスルーを駆動するメカニズムに関する洞察を深める基盤を提供する。

関連論文リスト

• Adversarial Alignment for LLMs Requires Simpler, Reproducible, and More Measurable Objectives [52.863024096759816]
  相反する研究目的は、過去10年間に敵対的堅牢性研究の進展を妨げてきた。 我々は、対立するアライメントの有意義な進展には、リアライメントの目的が必要であると論じる。
  論文  参考訳（メタデータ） (2025-02-17T15:28:40Z)
• Rethinking Randomized Smoothing from the Perspective of Scalability [0.0]
  ランダムな平滑化は、顕著な進歩の中で有望なテクニックとして現れている。 ランダム化平滑化の基礎となる概念を詳細に探求する。 我々は、敵の摂動に対する堅牢性を証明する理論的保証を強調した。
  論文  参考訳（メタデータ） (2023-12-19T21:27:02Z)
• A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
  逆の例では、機械学習モデルを操作して誤った予測を行うことができます。 敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。 本研究は, 対角移動可能性の展望を考察した。
  論文  参考訳（メタデータ） (2023-10-26T17:45:26Z)
• Investigating Human-Identifiable Features Hidden in Adversarial Perturbations [54.39726653562144]
  我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。 対人摂動における人間の識別可能な特徴を同定する。 画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
  論文  参考訳（メタデータ） (2023-09-28T22:31:29Z)
• Disruption Detection for a Cognitive Digital Supply Chain Twin Using Hybrid Deep Learning [0.0]
  新型コロナウイルスやロシア・ウクライナ紛争などの最近の破壊的な出来事は、世界的なサプライチェーンに大きな影響を与えた。 本稿では,認知デジタルサプライチェーンツインフレームワークにおける破壊検出のためのハイブリッドディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T22:03:09Z)
• Learning Causal Mechanisms through Orthogonal Neural Networks [2.77390041716769]
  歪みデータポイントから独立したメカニズムの集合の逆転を,教師なしの方法で学習する問題について検討する。 本研究では,ラベルのないデータから独立したメカニズムの集合を発見・解離する教師なしの手法を提案し,それらを逆転する方法を学習する。
  論文  参考訳（メタデータ） (2023-06-05T13:11:33Z)
• Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
  ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。 臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
  論文  参考訳（メタデータ） (2022-10-06T23:50:38Z)
• On robustness of generative representations against catastrophic forgetting [17.467589890017123]
  新しいタスクを学習しながら学習した知識を破滅的に忘れることは、現代のニューラルネットワークの限界として広く観察されている。 本研究では,ニューラルモデルにより内部に構築された表現の特異性に関する一連の研究仮説をポーズし,検証することにより,この問題に対処することを目的とする。 識別モデルにより学習された表現は、その生成モデルよりも破滅的な忘れがちであり、連続学習のための生成モデルを開発する利点に新たな光を当てている。
  論文  参考訳（メタデータ） (2021-09-04T11:33:24Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)

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。