ದುರ್ಬಲ ಬೇಸ್‌ಲೈನ್‌ಗಳು ಮತ್ತು ವರದಿ ಮಾಡುವ ಪಕ್ಷಪಾತವು ದ್ರವ-ಸಂಬಂಧಿತ ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಅತಿಯಾದ ಆಶಾವಾದಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ.

ನೇಚರ್.ಕಾಮ್ಗೆ ಭೇಟಿ ನೀಡಿದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್‌ನ ಆವೃತ್ತಿಯು ಸೀಮಿತ ಸಿಎಸ್ಎಸ್ ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ. ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ, ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಬೇಕೆಂದು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಿ). ಈ ಮಧ್ಯೆ, ನಡೆಯುತ್ತಿರುವ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಸ್ಟೈಲಿಂಗ್ ಅಥವಾ ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ.
ಕಂಪ್ಯೂಟೇಶನಲ್ ಭೌತಶಾಸ್ತ್ರದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಅತ್ಯಂತ ಭರವಸೆಯ ಅನ್ವಯವೆಂದರೆ ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳ (ಪಿಡಿಇಗಳು) ವೇಗವರ್ಧಿತ ಪರಿಹಾರ. ಯಂತ್ರ ಕಲಿಕೆ-ಆಧಾರಿತ ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣ ಪರಿಹಾರಕದ ಮುಖ್ಯ ಗುರಿಯೆಂದರೆ, ಬೇಸ್‌ಲೈನ್ ಹೋಲಿಕೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಪ್ರಮಾಣಿತ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳಿಗಿಂತ ಸಾಕಷ್ಟು ವೇಗವಾಗಿ ಪರಿಹಾರಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು. ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸುವಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ ಸಾಹಿತ್ಯದ ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆಯನ್ನು ನಾವು ಮೊದಲು ನಡೆಸುತ್ತೇವೆ. ದ್ರವ ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸಲು ಎಂಎಲ್ ಬಳಕೆಯನ್ನು ವರದಿ ಮಾಡುವ ಎಲ್ಲಾ ಪತ್ರಿಕೆಗಳಲ್ಲಿ ಮತ್ತು ಪ್ರಮಾಣಿತ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳ ಮೇಲೆ ಶ್ರೇಷ್ಠತೆಯನ್ನು ಹೇಳಿಕೊಳ್ಳುತ್ತೇವೆ, ದುರ್ಬಲ ಬೇಸ್‌ಲೈನ್‌ಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ನಾವು 79% (60/76) ಅನ್ನು ಗುರುತಿಸಿದ್ದೇವೆ. ಎರಡನೆಯದಾಗಿ, ವ್ಯಾಪಕವಾದ ವರದಿ ಮಾಡುವ ಪಕ್ಷಪಾತದ ಪುರಾವೆಗಳನ್ನು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ, ವಿಶೇಷವಾಗಿ ಫಲಿತಾಂಶದ ವರದಿ ಮತ್ತು ಪ್ರಕಟಣೆಯ ಪಕ್ಷಪಾತದಲ್ಲಿ. ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸುವ ಬಗ್ಗೆ ಯಂತ್ರ ಕಲಿಕೆ ಸಂಶೋಧನೆಯು ಅತಿಯಾದ ಆಶಾವಾದಿಯಾಗಿದೆ ಎಂದು ನಾವು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ: ದುರ್ಬಲ ಇನ್ಪುಟ್ ಡೇಟಾವು ಅತಿಯಾದ ಸಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು ಮತ್ತು ಪಕ್ಷಪಾತವನ್ನು ವರದಿ ಮಾಡುವುದರಿಂದ ನಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಕಡಿಮೆ ವರದಿ ಮಾಡಲು ಕಾರಣವಾಗಬಹುದು. ಬಹುಮಟ್ಟಿಗೆ, ಈ ಸಮಸ್ಯೆಗಳು ಹಿಂದಿನ ಪುನರುತ್ಪಾದನೆ ಬಿಕ್ಕಟ್ಟುಗಳಿಗೆ ಹೋಲುವ ಅಂಶಗಳಿಂದ ಉಂಟಾಗುತ್ತವೆ: ತನಿಖಾಧಿಕಾರಿಯ ವಿವೇಚನೆ ಮತ್ತು ಸಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶದ ಪಕ್ಷಪಾತ. ಪಕ್ಷಪಾತದ ವರದಿ ಮತ್ತು ಉನ್ನತ-ಡೌನ್ ರಚನಾತ್ಮಕ ಸುಧಾರಣೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನಾವು ಬಾಟಮ್-ಅಪ್ ಸಾಂಸ್ಕೃತಿಕ ಬದಲಾವಣೆಗೆ ಕರೆ ನೀಡುತ್ತೇವೆ.
ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಲೇಖಕರು ಮತ್ತು ಲೇಖನಗಳ ಪಟ್ಟಿ, ಮತ್ತು ಯಾದೃಚ್ s ಿಕ ಮಾದರಿಯಲ್ಲಿ ಪ್ರತಿ ಲೇಖನದ ವರ್ಗೀಕರಣವು ಸಾರ್ವಜನಿಕವಾಗಿ https://doi.org/10.17605/osf.io/gq5b3 (ಉಲ್ಲೇಖ 124) ನಲ್ಲಿ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿದೆ.
ಟೇಬಲ್ 2 ರಲ್ಲಿನ ಫಲಿತಾಂಶಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸಲು ಅಗತ್ಯವಾದ ಕೋಡ್ ಅನ್ನು ಗಿಥಬ್‌ನಲ್ಲಿ ಕಾಣಬಹುದು: ಮರ/ ವಿ 1 (ಲಿಂಕ್ 126) ಮತ್ತು https://codeocean.com/capsule/0799002/tree/v1 (ಲಿಂಕ್ 127).
ರಾಂಡಾಲ್, ಡಿ., ಮತ್ತು ವೆಲ್ಸರ್, ಕೆ.
ರಿಚ್ಚಿ, ಎಸ್. ಸೈನ್ಸ್ ಫಿಕ್ಷನ್: ಹೌ ಫ್ರಾಡ್, ಬಯಾಸ್, ಸೈಲೆನ್ಸ್ ಮತ್ತು ಹೈಪ್ ಸತ್ಯದ ಹುಡುಕಾಟವನ್ನು ದುರ್ಬಲಗೊಳಿಸುತ್ತದೆ (ವಿಂಟೇಜ್, 2020).
ಮುಕ್ತ ವೈಜ್ಞಾನಿಕ ಸಹಯೋಗ. ಮಾನಸಿಕ ವಿಜ್ಞಾನದಲ್ಲಿ ಪುನರುತ್ಪಾದನೆಯನ್ನು ನಿರ್ಣಯಿಸುವುದು. ವಿಜ್ಞಾನ 349, ಎಎಎಸಿ 4716 (2015).
ಪ್ರಿಂಜ್, ಎಫ್., ಶ್ಲೇಂಜ್, ಟಿ., ಮತ್ತು ಅಸಡುಲ್ಲಾ, ಕೆ. ಇದನ್ನು ನಂಬಿರಿ ಅಥವಾ ಇಲ್ಲ: ಸಂಭಾವ್ಯ drug ಷಧ ಗುರಿಗಳ ಬಗ್ಗೆ ಪ್ರಕಟವಾದ ಡೇಟಾವನ್ನು ನಾವು ಎಷ್ಟು ಅವಲಂಬಿಸಬಹುದು? ನ್ಯಾಟ್. ರೆವ್. "Drugs ಷಧಿಗಳ ಆವಿಷ್ಕಾರ." 10, 712 (2011).
ಬೆಗ್ಲೆ, ಕೆಜಿ ಮತ್ತು ಎಲ್ಲಿಸ್, ಎಲ್ಎಂ ಪೂರ್ವಭಾವಿ ಕ್ಯಾನ್ಸರ್ ಸಂಶೋಧನೆಯಲ್ಲಿ ಸ್ಟ್ಯಾಂಡರ್ಡ್ಸ್ ಅನ್ನು ಹೆಚ್ಚಿಸುವುದು. ನೇಚರ್ 483, 531–533 (2012).
ಎ. ಗೆಲ್ಮನ್ ಮತ್ತು ಇ. ಲೋಕೆನ್, ದಿ ಗಾರ್ಡನ್ ಆಫ್ ಫೋರ್ಕಿಂಗ್ ಪಾಥ್ಸ್: "ಮೀನುಗಾರಿಕೆ ದಂಡಯಾತ್ರೆಗಳು" ಅಥವಾ "ಪಿ-ಹ್ಯಾಕ್ಸ್" ಮತ್ತು ಪೂರ್ವಭಾವಿ ಸಂಶೋಧನಾ ಕಲ್ಪನೆಗಳು, ಸಂಪುಟಗಳಿಲ್ಲದೆ ಬಹು ಹೋಲಿಕೆಗಳು ಏಕೆ ಸಮಸ್ಯೆಯಾಗಿದೆ. 348, 1–17 (ಅಂಕಿಅಂಶ ಇಲಾಖೆ, 2013).
ಕರಗಿಯೋರ್ಗಿ, ಜಿ., ಕ್ಯಾಸೆಕಾ, ಜಿ., ಕ್ರಾವಿಟ್ಜ್, ಎಸ್., ನಾಚ್ಮನ್, ಬಿ., ಮತ್ತು ಶಿ, ಡಿ. ಹೊಸ ಮೂಲಭೂತ ಭೌತಶಾಸ್ತ್ರದ ಹುಡುಕಾಟದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ. ನ್ಯಾಟ್. ಭೌತಶಾಸ್ತ್ರದಲ್ಲಿ ತತ್ವಶಾಸ್ತ್ರದ ವೈದ್ಯ. 4, 399-412 (2022).
ದಾರಾ ಎಸ್, ಡ್ಯಾಮರ್‌ಚೆರ್ಲಾ ಎಸ್, ಜಾಧವ್ ಎಸ್‌ಎಸ್, ಬಾಬು ಸಿಎಮ್ ಮತ್ತು ಅಹ್ಸಾನ್ ಎಮ್ಜೆ. Drug ಷಧ ಅನ್ವೇಷಣೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ: ಒಂದು ವಿಮರ್ಶೆ. ಅಟಿಫ್. ಇಂಟೆಲ್. ಸಂ. 55, 1947-1999 (2022).
ಮ್ಯಾಥರ್, ಎಎಸ್ ಮತ್ತು ಕೂಟ್, ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಎಂಎಲ್ ಡೀಪ್ ಲರ್ನಿಂಗ್. ಜೆ.ಕೆಮಿಸ್ಟ್ರಿ. ತಿಳಿಸಿ. ಮಾದರಿ. 59, 2545-2559 (2019).
ರಾಜ್‌ಕೋಮರ್ ಎ., ಡೀನ್ ಜೆ. ಮತ್ತು ಕೊಹನ್ I. ಮೆಡಿಸಿನ್ ಇನ್ ಮೆಡಿಸಿನ್. ನ್ಯೂ ಇಂಗ್ಲೆಂಡ್ ಜರ್ನಲ್ ಆಫ್ ಮೆಡಿಸಿನ್. 380, 1347-1358 (2019).
ಗ್ರಿಮ್ಮರ್ ಜೆ, ರಾಬರ್ಟ್ಸ್ ಮಿ. ಮತ್ತು ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನದಲ್ಲಿ ಸ್ಟೀವರ್ಟ್ ಬಿಎಂ ಯಂತ್ರ ಕಲಿಕೆ: ಒಂದು ಅಜ್ಞೇಯತಾವಾದಿ ವಿಧಾನ. ರೆವ್. ಆನ್ ಬಾಲ್. ವಿಜ್ಞಾನ. 24, 395-419 (2021).
ಜಂಪ್, ಜೆ. ಮತ್ತು ಇತರರು. ಆಲ್ಫಾಫೋಲ್ಡ್ ಬಳಸಿ ಹೆಚ್ಚು ನಿಖರವಾದ ಪ್ರೋಟೀನ್ ರಚನೆಯ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಮಾಡಿ. ನೇಚರ್ 596, 583–589 (2021).
ಗುಂಡರ್ಸನ್, ಒಇ, ಕೋಕ್ಲೆ, ಕೆ., ಕಿರ್ಕ್‌ಪ್ಯಾಟ್ರಿಕ್, ಕೆ., ಮತ್ತು ಗಿಲ್, ವೈ. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಅನಿಯಂತ್ರಿತತೆಯ ಮೂಲಗಳು: ಒಂದು ವಿಮರ್ಶೆ. ಪ್ರಿಪ್ರಿಂಟ್ https://arxiv.org/abs/2204.07610 (2022) ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
ಸ್ಕಲ್ಲಿ, ಡಿ., ಸ್ನೂಕ್, ಜೆ., ವಿಲ್ಟ್ಸ್ಕೊ, ಎ., ಮತ್ತು ರಹಿಮಿ, ಎ. ವಿನ್ನರ್ಸ್ ಶಾಪ? ಪ್ರಾಯೋಗಿಕ ಸಾಕ್ಷ್ಯಗಳ ವೇಗ, ಪ್ರಗತಿ ಮತ್ತು ಕಠಿಣತೆಯಲ್ಲಿ (ಐಸಿಎಲ್ಆರ್, 2018).
ಆರ್ಮ್‌ಸ್ಟ್ರಾಂಗ್, ಟಿಜಿ, ಮೊಫಾಟ್, ಎ., ವೆಬ್ಬರ್, ಡಬ್ಲ್ಯೂ., ಮತ್ತು ಜೊಬೆಲ್, ಜೆ.
ಕಪೂರ್, ಎಸ್. ಮತ್ತು ನಾರಾಯಣನ್, ಎ. ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ವಿಜ್ಞಾನದಲ್ಲಿ ಸೋರಿಕೆ ಮತ್ತು ಪುನರುತ್ಪಾದನೆ ಬಿಕ್ಕಟ್ಟುಗಳು. ಪ್ಯಾಟರ್ನ್ಸ್, 4, 100804 (2023).
ಕಪೂರ್ ಎಸ್. ಮತ್ತು ಇತರರು. ಸುಧಾರಣೆ: ಯಂತ್ರ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವೈಜ್ಞಾನಿಕ ವರದಿ ಮಾನದಂಡಗಳು. ಪ್ರಿಪ್ರಿಂಟ್ https://arxiv.org/abs/2308.07832 (2023) ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
ಡೆಮಾಸಿ, ಒ., ಕಾರ್ಡಿಂಗ್, ಸಿ., ಮತ್ತು ರೆಚ್ಟ್, ಬಿ. ಅರ್ಥಹೀನ ಹೋಲಿಕೆಗಳು ವೈದ್ಯಕೀಯ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಸುಳ್ಳು ಆಶಾವಾದಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು. PLOS ONE 12, E0184604 (2017).
ರಾಬರ್ಟ್ಸ್, ಎಮ್., ಮತ್ತು ಇತರರು. ಎದೆಯ ಕ್ಷ-ಕಿರಣಗಳು ಮತ್ತು ಕಂಪ್ಯೂಟೆಡ್ ಟೊಮೊಗ್ರಫಿಯಿಂದ ಕೋವಿಡ್ -19 ಅನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ict ಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವ ಸಾಮಾನ್ಯ ಅಪಾಯಗಳು ಮತ್ತು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು. ನ್ಯಾಟ್. ಗರಿಷ್ಠ. ಇಂಟೆಲ್. 3, 199–217 (2021).
ವಿನಾಂಟ್ಜ್ ಎಲ್. ಮತ್ತು ಇತರರು. ಕೋವಿಡ್ -19 ರ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಮುನ್ನರಿವಿನ ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳು: ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆ ಮತ್ತು ವಿಮರ್ಶಾತ್ಮಕ ಮೌಲ್ಯಮಾಪನ. ಬಿಎಂಜೆ 369, ಎಂ 1328 (2020).
ತಿಮಿಂಗಿಲ ಎಸ್., ಶ್ರೆಬರ್ ಜೆ., ನೋಬಲ್ ಡಬ್ಲ್ಯೂಎಸ್ ಮತ್ತು ಪೊಲಾರ್ಡ್ ಕೆಎಸ್ ಜೀನೋಮಿಕ್ಸ್ನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವ ಅಪಾಯಗಳನ್ನು ನಿವಾರಿಸುತ್ತದೆ. ನ್ಯಾಟ್. ಪಾಸ್ಟರ್ ಜಿನೆಟ್. 23, 169-181 (2022).
ಅಟ್ರಿಸ್ ಎನ್. ಮತ್ತು ಇತರರು. ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಗಾಗಿ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು. ನ್ಯಾಟ್. ರಾಸಾಯನಿಕ. 13, 505-508 (2021).
ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳ ಯಂತ್ರ ಕಲಿಕೆಗಾಗಿ ಬ್ರಂಟನ್ ಎಸ್ಎಲ್ ಮತ್ತು ಕುಟ್ಜ್ ಜೆಎನ್ ಭರವಸೆಯ ನಿರ್ದೇಶನಗಳು. ನ್ಯಾಟ್. ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ವಿಜ್ಞಾನ. 4, 483-494 (2024).
ವಿನ್ಯೂಸಾ, ಆರ್. ಮತ್ತು ಬ್ರಂಟನ್, ಎಸ್‌ಎಲ್ ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲಕ ಕಂಪ್ಯೂಟೇಶನಲ್ ಫ್ಲೂಯಿಡ್ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಸುಧಾರಿಸುವುದು. ನ್ಯಾಟ್. ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ವಿಜ್ಞಾನ. 2, 358–366 (2022).
ಕೊಮೌ, ಎಸ್. ಮತ್ತು ಇತರರು. ದೈಹಿಕವಾಗಿ ತಿಳುವಳಿಕೆಯುಳ್ಳ ನರ ಜಾಲಗಳೊಂದಿಗೆ ವೈಜ್ಞಾನಿಕ ಯಂತ್ರ ಕಲಿಕೆ: ನಾವು ಈಗ ಎಲ್ಲಿದ್ದೇವೆ ಮತ್ತು ಮುಂದಿನದು ಏನು. ಜೆ. ವಿಜ್ಞಾನ. ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. 92, 88 (2022).
ಡುರೈಸಾಮಿ, ಕೆ., ಯಾಕರಿನೊ, ಜಿ., ಮತ್ತು ಕ್ಸಿಯಾವೋ, ಹೆಚ್. ದತ್ತಾಂಶ ಯುಗದಲ್ಲಿ ಪ್ರಕ್ಷುಬ್ಧ ಮಾಡೆಲಿಂಗ್. ಆನ್ ಪರಿಷ್ಕೃತ ಆವೃತ್ತಿ. 51, 357–377 (2019).
ಡುರಾನ್, ಡಾ. ಜಿಯೋಫಿಸಿಕಲ್ ಹೈಡ್ರೊಡೈನಾಮಿಕ್ಸ್‌ನಲ್ಲಿ ತರಂಗ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸುವ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು, ಸಂಪುಟ. 32 (ಸ್ಪ್ರಿಂಗರ್, 2013).
ಮಿಶ್ರಾ, ಎಸ್. ಡಿಫರೆನ್ಷಿಯಲ್ ಸಮೀಕರಣಗಳ ಡೇಟಾ-ಚಾಲಿತ ಗಣನೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ ಚೌಕಟ್ಟು. ಗಣಿತ. ಎಂಜಿನಿಯರ್. https://doi.org/10.3934/min.2018.1.118 (2018).
ಕೊಚಿಕೋವ್ ಡಿ. ಮತ್ತು ಇತರರು. ಯಂತ್ರ ಕಲಿಕೆ - ಕಂಪ್ಯೂಟೇಶನಲ್ ಫ್ಲೂಯಿಡ್ ಡೈನಾಮಿಕ್ಸ್ ವೇಗವರ್ಧನೆ. ಪ್ರಕ್ರಿಯೆ. ನ್ಯಾಷನಲ್ ಅಕಾಡೆಮಿ ಆಫ್ ಸೈನ್ಸಸ್. ವಿಜ್ಞಾನ. ಯುಎಸ್ 118, ಇ 2101784118 (2021).
ಕಡಾಪಾ, ಕೆ. ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್‌ಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ - ಸಂಕ್ಷಿಪ್ತ ಪರಿಚಯ ಮತ್ತು ಕೆಲವು ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳು. ಪ್ರಿಪ್ರಿಂಟ್ https://arxiv.org/abs/2112.12054 (2021) ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
ರಾಸ್, ಎ., ಲಿ, .ಡ್., ಪೆರೆಜೊಗಿನ್, ಪಿ., ಫರ್ನಾಂಡೀಸ್-ಗ್ರಾಂಡಾ, ಸಿ., ಮತ್ತು ಜನ್ನಾ, ಎಲ್. ಆದರ್ಶೀಕರಿಸಿದ ಮಾದರಿಗಳಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಸಾಗರ ಸಬ್‌ಗ್ರಿಡ್ ನಿಯತಾಂಕದ ತುಲನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ. ಜೆ.ಅಡ್. ಮಾದರಿ. ಭೂಮಿಯ ವ್ಯವಸ್ಥೆ. 15. E2022MS003258 (2023).
ಲಿಪ್ಪೆ, ಪಿ., ವೈಲಿಂಗ್, ಬಿ., ಪರ್ಡಿಕಾರಿಸ್, ಪಿ., ಟರ್ನರ್, ಆರ್., ಮತ್ತು ಬ್ರಾಂಡ್‌ಸ್ಟೆಟರ್, ಜೆ. ಪಿಡಿಇ ಪರಿಷ್ಕರಣೆ: ನರ ಪಿಡಿಇ ಪರಿಹಾರಕದೊಂದಿಗೆ ನಿಖರವಾದ ದೀರ್ಘ ಹೊರತೆಗೆಯುವಿಕೆಗಳನ್ನು ಸಾಧಿಸುವುದು. ನರ ಮಾಹಿತಿ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಗಳ 37 ನೇ ಸಮ್ಮೇಳನ (ನ್ಯೂರಿಪ್‌ಗಳು 2023).
ಫ್ರಾಚಾಸ್, ಪಿಆರ್ ಮತ್ತು ಇತರರು. ಸಂಕೀರ್ಣವಾದ ಸ್ಪ್ಯಾಟಿಯೊಟೆಂಪೊರಲ್ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು for ಹಿಸಲು ಪುನರಾವರ್ತಿತ ನರ ಜಾಲಗಳಲ್ಲಿ ಬ್ಯಾಕ್‌ಪ್ರೊಪಾಗೇಶನ್ ಅಲ್ಗಾರಿದಮ್ ಮತ್ತು ಜಲಾಶಯದ ಲೆಕ್ಕಾಚಾರ. ನರ ಜಾಲ. 126, 191-217 (2020).
ರೈಸ್ಸಿ, ಎಮ್., ಪರ್ಡಿಕಾರಿಸ್, ಪಿ. ಜೆ. ಕಂಪ್ಯೂಟರ್. ಭೌತಶಾಸ್ತ್ರ. 378, 686-707 (2019).
ಗ್ರಾಸ್‌ಮನ್, ಟಿಜಿ, ಕೊಮೊರೊವ್ಸ್ಕಾ, ಯುಜೆ, ಲುಟ್ಜ್, ಜೆ., ಮತ್ತು ಸ್ಕೋನ್‌ಲೀಬ್, ಕೆ.ಬಿ. ಭೌತಶಾಸ್ತ್ರ ಆಧಾರಿತ ನರ ಜಾಲಗಳು ಸೀಮಿತ ಅಂಶ ವಿಧಾನಗಳನ್ನು ಮೀರಿಸಬಹುದೇ? ಇಮಾ ಜೆ. ಅಪ್ಲಿಕೇಶನ್‌ಗಳು. ಗಣಿತ. 89, 143-174 (2024).
ಡಿ ಲಾ ಮಾತಾ, ಎಫ್‌ಎಫ್, ಗಿಜಾನ್, ಎ., ಮೊಲಿನಾ-ಸೋಲಿನಾ, ಎಮ್., ಮತ್ತು ಗೊಮೆಜ್-ರೊಮೆರೊ, ಜೆ. ಭೌತಶಾಸ್ತ್ರ. ಎ 610, 128415 (2023).
Hu ುವಾಂಗ್, ಪಿ.-ವೈ. & ಬಾರ್ಬಾ, ಲಾ ಫ್ಲೂಯಿಡ್ ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿ ಭೌತಶಾಸ್ತ್ರ ಆಧಾರಿತ ನರಮಂಡಲಗಳ ಪ್ರಾಯೋಗಿಕ ವರದಿ: ಅಪಾಯಗಳು ಮತ್ತು ನಿರಾಶೆಗಳು. ಪ್ರಿಪ್ರಿಂಟ್ https://arxiv.org/abs/2205.14249 (2022) ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
Hu ುವಾಂಗ್, ಪಿ.-ವೈ. ಮತ್ತು ಬಾರ್ಬಾ, ಸುಳಿಯ ರಚನೆಯ ಮೇಲೆ ದೈಹಿಕವಾಗಿ ತಿಳುವಳಿಕೆಯುಳ್ಳ ನರ ಜಾಲಗಳ ಲಾ ಮುನ್ಸೂಚಕ ಮಿತಿಗಳು. ಪ್ರಿಪ್ರಿಂಟ್ https://arxiv.org/abs/2306.00230 (2023) ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
ವಾಂಗ್, ಎಸ್., ಯು, ಹೆಚ್., ಮತ್ತು ಪರ್ಡಕರಿಸ್, ಪಿ. ಯಾವಾಗ ಮತ್ತು ಏಕೆ ಪಿನ್ಗಳು ತರಬೇತಿ ನೀಡಲು ವಿಫಲರಾಗುತ್ತಾರೆ: ಒಂದು ನರ ಸ್ಪರ್ಶಕ ನ್ಯೂಕ್ಲಿಯಸ್ ದೃಷ್ಟಿಕೋನ. ಜೆ. ಕಂಪ್ಯೂಟರ್. ಭೌತಶಾಸ್ತ್ರ. 449, 110768 (2022).
ಕೃಷ್ಣಪ್ರಿಯನ್, ಎ., ಘೋಲಾಮಿ, ಎ., He ೆ, ಎಸ್., ಕಿರ್ಬಿ, ಆರ್., ಮತ್ತು ಮಹೋನಿ, ಭೌತಿಕ ಮಾಹಿತಿ ನರ ಜಾಲಗಳಲ್ಲಿ ಸಂಭವನೀಯ ವೈಫಲ್ಯ ವಿಧಾನಗಳ ಮೆಗಾವ್ಯಾಟ್ ಗುಣಲಕ್ಷಣಗಳು. ನರ ಮಾಹಿತಿ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಗಳ 35 ನೇ ಸಮ್ಮೇಳನ ಸಂಪುಟ. 34, 26548–26560 (ನ್ಯೂರಿಪ್‌ಗಳು 2021).
ಬಸಿರ್, ಎಸ್. ಮತ್ತು ಸೆನೋಕಾಕ್, ಐ. ಭೌತಶಾಸ್ತ್ರ ಆಧಾರಿತ ನರ ಜಾಲಗಳಲ್ಲಿನ ವೈಫಲ್ಯ ವಿಧಾನಗಳ ವಿಮರ್ಶಾತ್ಮಕ ಅಧ್ಯಯನ. ಎಐಎಎ ಸೈಟೆಕ್ 2022 ಫೋರಂ 2353 (ಆರ್ಕ್, 2022) ನಲ್ಲಿ.
ಕಾರ್ನಕೋವ್ ಪಿ., ಲಿಟ್ವಿನೋವ್ ಎಸ್. ಮತ್ತು ಕೌಮೌಟ್ಸಾಕೋಸ್ ಪಿ. ಪ್ರತ್ಯೇಕ ನಷ್ಟಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಮೂಲಕ ದೈಹಿಕ ವಿಲೋಮ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವುದು: ನರಮಂಡಲಗಳಿಲ್ಲದೆ ವೇಗವಾಗಿ ಮತ್ತು ನಿಖರವಾದ ಕಲಿಕೆ. ಪ್ರಕ್ರಿಯೆ. ನ್ಯಾಷನಲ್ ಅಕಾಡೆಮಿ ಆಫ್ ಸೈನ್ಸಸ್. ವಿಜ್ಞಾನ. ನೆಕ್ಸಸ್ 3, ಪಿಜಿಎಇ 005 (2024).
ಗುಂಡರ್ಸನ್ ಒಇ ಪುನರುತ್ಪಾದನೆಯ ಮೂಲ ತತ್ವಗಳು. ಫಿಲ್.ಕ್ರಾಸ್. ಆರ್. ಶುಕರ್. ಎ 379, 20200210 (2021).
ಅರೋಮಟಾರಿಸ್ ಇ ಮತ್ತು ಪಿಯರ್ಸನ್ ಎ. ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆಗಳು: ಒಂದು ಅವಲೋಕನ. ಹೌದು. ಜೆ. ನರ್ಸಿಂಗ್ 114, 53–58 (2014).
ಮ್ಯಾಜಿಯೆರಾ, ಜೆ., ರೇ, ಡಿ., ಹೆಸ್ಟಾವೆನ್, ಜೆಎಸ್, ಮತ್ತು ರೋಹ್ಡೆ, ಕೆ. ರೀಮನ್ ಸಮಸ್ಯೆಗೆ ನಿರ್ಬಂಧ-ಅರಿವಿನ ನರ ಜಾಲಗಳು. ಜೆ. ಕಂಪ್ಯೂಟರ್. ಭೌತಶಾಸ್ತ್ರ. 409, 109345 (2020).
ಬೆಜ್ಗಿನ್ ಡಿಎ, ಸ್ಮಿತ್ ಎಸ್‌ಜೆ ಮತ್ತು ಆಡಮ್ಸ್ ಎನ್‌ಎ ದತ್ತಾಂಶ-ಚಾಲಿತ ದೈಹಿಕವಾಗಿ ತಿಳುವಳಿಕೆಯುಳ್ಳ ಸೀಮಿತ ಪರಿಮಾಣ ಸರ್ಕ್ಯೂಟ್ ಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಕಡಿಮೆ ವೋಲ್ಟೇಜ್ ಆಘಾತಗಳಿಗಾಗಿ. ಜೆ. ಕಂಪ್ಯೂಟರ್. ಭೌತಶಾಸ್ತ್ರ. 437, 110324 (2021).