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

Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್‌ನ ಆವೃತ್ತಿಯು ಸೀಮಿತ CSS ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ. ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ, ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಿ). ಈ ಮಧ್ಯೆ, ನಿರಂತರ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಸ್ಟೈಲಿಂಗ್ ಅಥವಾ ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ.
ಕಂಪ್ಯೂಟೇಶನಲ್ ಭೌತಶಾಸ್ತ್ರದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಅತ್ಯಂತ ಭರವಸೆಯ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಒಂದು ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳ (PDEs) ವೇಗವರ್ಧಿತ ಪರಿಹಾರವಾಗಿದೆ. ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣ ಪರಿಹಾರಕದ ಮುಖ್ಯ ಗುರಿಯೆಂದರೆ, ಮೂಲ ಹೋಲಿಕೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಪ್ರಮಾಣಿತ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳಿಗಿಂತ ಸಾಕಷ್ಟು ವೇಗವಾಗಿ ನಿಖರವಾದ ಪರಿಹಾರಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು. ಮೊದಲು ನಾವು ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸುವ ಕುರಿತು ಯಂತ್ರ ಕಲಿಕೆ ಸಾಹಿತ್ಯದ ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆಯನ್ನು ನಡೆಸುತ್ತೇವೆ. ದ್ರವ ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸಲು ML ಬಳಕೆಯನ್ನು ವರದಿ ಮಾಡುವ ಮತ್ತು ಪ್ರಮಾಣಿತ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳಿಗಿಂತ ಶ್ರೇಷ್ಠತೆಯನ್ನು ಪ್ರತಿಪಾದಿಸುವ ಎಲ್ಲಾ ಪತ್ರಿಕೆಗಳಲ್ಲಿ, ದುರ್ಬಲ ಬೇಸ್‌ಲೈನ್‌ಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ನಾವು 79% (60/76) ಅನ್ನು ಗುರುತಿಸಿದ್ದೇವೆ. ಎರಡನೆಯದಾಗಿ, ವ್ಯಾಪಕ ವರದಿ ಮಾಡುವ ಪಕ್ಷಪಾತದ ಪುರಾವೆಗಳನ್ನು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ, ವಿಶೇಷವಾಗಿ ಫಲಿತಾಂಶ ವರದಿ ಮತ್ತು ಪ್ರಕಟಣೆ ಪಕ್ಷಪಾತದಲ್ಲಿ. ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸುವ ಕುರಿತು ಯಂತ್ರ ಕಲಿಕೆಯ ಸಂಶೋಧನೆಯು ಅತಿಯಾದ ಆಶಾವಾದಿಯಾಗಿದೆ ಎಂದು ನಾವು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ: ದುರ್ಬಲ ಇನ್‌ಪುಟ್ ಡೇಟಾ ಅತಿಯಾದ ಸಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು ಮತ್ತು ವರದಿ ಮಾಡುವ ಪಕ್ಷಪಾತವು ನಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶಗಳ ಕಡಿಮೆ ವರದಿಗೆ ಕಾರಣವಾಗಬಹುದು. ಹೆಚ್ಚಿನ ಭಾಗದಲ್ಲಿ, ಈ ಸಮಸ್ಯೆಗಳು ಹಿಂದಿನ ಪುನರುತ್ಪಾದನಾ ಬಿಕ್ಕಟ್ಟುಗಳಿಗೆ ಹೋಲುವ ಅಂಶಗಳಿಂದ ಉಂಟಾಗುತ್ತವೆ: ತನಿಖಾಧಿಕಾರಿಯ ವಿವೇಚನೆ ಮತ್ತು ಸಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶ ಪಕ್ಷಪಾತ. ಪಕ್ಷಪಾತದ ವರದಿ ಮಾಡುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನಾವು ಬಾಟಮ್-ಅಪ್ ಸಾಂಸ್ಕೃತಿಕ ಬದಲಾವಣೆ ಮತ್ತು ಹಾಗೆ ಮಾಡಲು ವಿಕೃತ ಪ್ರೋತ್ಸಾಹಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಟಾಪ್-ಡೌನ್ ರಚನಾತ್ಮಕ ಸುಧಾರಣೆಗೆ ಕರೆ ನೀಡುತ್ತೇವೆ.
ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆಯಿಂದ ರಚಿಸಲಾದ ಲೇಖಕರು ಮತ್ತು ಲೇಖನಗಳ ಪಟ್ಟಿ, ಹಾಗೆಯೇ ಯಾದೃಚ್ಛಿಕ ಮಾದರಿಯಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಲೇಖನದ ವರ್ಗೀಕರಣವು ಸಾರ್ವಜನಿಕವಾಗಿ https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124) ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
ಕೋಷ್ಟಕ 2 ರಲ್ಲಿ ಫಲಿತಾಂಶಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸಲು ಅಗತ್ಯವಿರುವ ಕೋಡ್ ಅನ್ನು GitHub ನಲ್ಲಿ ಕಾಣಬಹುದು: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) ಮತ್ತು ಕೋಡ್ ಓಷನ್ ನಲ್ಲಿ: https://codeocean.com/capsule/9605539/Tree/ v1 (ಲಿಂಕ್ 126) ಮತ್ತು https://codeocean.com/capsule/0799002/tree/v1 (ಲಿಂಕ್ 127).
ರಾಂಡಲ್, ಡಿ., ಮತ್ತು ವೆಲ್ಸರ್, ಕೆ., ಆಧುನಿಕ ವಿಜ್ಞಾನದಲ್ಲಿ ಮರುಉತ್ಪಾದನಾ ಬಿಕ್ಕಟ್ಟು: ಕಾರಣಗಳು, ಪರಿಣಾಮಗಳು ಮತ್ತು ಸುಧಾರಣೆಗೆ ಮಾರ್ಗಗಳು (ನ್ಯಾಷನಲ್ ಅಸೋಸಿಯೇಷನ್ ಆಫ್ ಸೈಂಟಿಸ್ಟ್ಸ್, 2018).
ರಿಚೀ, ಎಸ್. ಸೈನ್ಸ್ ಫಿಕ್ಷನ್: ಹೌ ಫ್ರಾಡ್, ಬೈಯಾಸ್, ಸೈಲೆನ್ಸ್, ಅಂಡ್ ಹೈಪ್ ಅಂಡರ್ಮೈನ್ ದಿ ಸರ್ಚ್ ಫಾರ್ ಟ್ರೂತ್ (ವಿಂಟೇಜ್, 2020).
ಮುಕ್ತ ವೈಜ್ಞಾನಿಕ ಸಹಯೋಗ. ಮನೋವೈಜ್ಞಾನಿಕ ವಿಜ್ಞಾನದಲ್ಲಿ ಪುನರುತ್ಪಾದನಾ ಸಾಮರ್ಥ್ಯವನ್ನು ನಿರ್ಣಯಿಸುವುದು. ವಿಜ್ಞಾನ 349, AAAC4716 (2015).
ಪ್ರಿಂಜ್, ಎಫ್., ಶ್ಲಾಂಜ್, ಟಿ., ಮತ್ತು ಅಸದುಲ್ಲಾ, ಕೆ. ನಂಬಿ ಅಥವಾ ಬಿಡಿ: ಸಂಭಾವ್ಯ ಔಷಧ ಗುರಿಗಳ ಕುರಿತು ಪ್ರಕಟಿತ ಡೇಟಾವನ್ನು ನಾವು ಎಷ್ಟು ಅವಲಂಬಿಸಬಹುದು? ನ್ಯಾಟ್. ರೆವ್. “ಔಷಧಗಳ ಆವಿಷ್ಕಾರ.” 10, 712 (2011).
ಬೆಗ್ಲಿ, ಕೆಜಿ ಮತ್ತು ಎಲ್ಲಿಸ್, ಎಲ್ಎಂ ಪ್ರಿಕ್ಲಿನಿಕಲ್ ಕ್ಯಾನ್ಸರ್ ಸಂಶೋಧನೆಯಲ್ಲಿ ಮಾನದಂಡಗಳನ್ನು ಹೆಚ್ಚಿಸುವುದು. ನೇಚರ್ 483, 531–533 (2012).
ಎ. ಗೆಲ್ಮನ್ ಮತ್ತು ಇ. ಲೋಕೆನ್, ದಿ ಗಾರ್ಡನ್ ಆಫ್ ಫೋರ್ಕಿಂಗ್ ಪಾತ್ಸ್: ವೈ ಮಲ್ಟಿಪಲ್ ಕಂಪ್ಯಾರಿಶಸ್ ಆರ್ ಎ ಪ್ರಾಬ್ಲಮ್ ಈವನ್ ವಿತೌಟ್ “ಫಿಶಿಂಗ್ ಎಕ್ಸ್‌ಪೆಡಿಶನ್ಸ್” ಅಥವಾ “ಪಿ-ಹ್ಯಾಕ್ಸ್” ಮತ್ತು ಪ್ರಿಫಾರ್ಮ್ಡ್ ರಿಸರ್ಚ್ ಹೈಪೋಥಿಸಸ್, ಸಂಪುಟ. 348, 1–17 (ಅಂಕಿಅಂಶ ಇಲಾಖೆ, 2013).
ಕರಾಗಿಯೋರ್ಗಿ, ಜಿ., ಕಸೆಕ್ಕಾ, ಜಿ., ಕ್ರಾವಿಟ್ಜ್, ಎಸ್., ನಾಚ್ಮನ್, ಬಿ., ಮತ್ತು ಶಿ, ಡಿ. ಹೊಸ ಮೂಲಭೂತ ಭೌತಶಾಸ್ತ್ರದ ಹುಡುಕಾಟದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ. ನ್ಯಾಟ್. ಭೌತಶಾಸ್ತ್ರದಲ್ಲಿ ಡಾಕ್ಟರ್ ಆಫ್ ಫಿಲಾಸಫಿ. 4, 399–412 (2022).
ದಾರಾ ಎಸ್, ಡ್ಯಾಮರ್ಚೆರ್ಲಾ ಎಸ್, ಜಾಧವ್ ಎಸ್ಎಸ್, ಬಾಬು ಸಿಎಂ ಮತ್ತು ಅಹ್ಸಾನ್ ಎಂಜೆ. ಔಷಧ ಅನ್ವೇಷಣೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ: ಒಂದು ವಿಮರ್ಶೆ. ಅಟಿಫ್. ಇಂಟೆಲ್. ಸಂ. 55, 1947–1999 (2022).
ಮ್ಯಾಥರ್, ಎಎಸ್ ಮತ್ತು ಕೂಟ್, ಎಂಎಲ್ ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆ. ಜೆ. ರಸಾಯನಶಾಸ್ತ್ರ. ಸೂಚಿಸಿ. ಮಾದರಿ. 59, 2545–2559 (2019).
ರಾಜ್‌ಕೋಮರ್ ಎ., ಡೀನ್ ಜೆ. ಮತ್ತು ಕೊಹನ್ ಐ. ವೈದ್ಯಕೀಯದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ. ನ್ಯೂ ಇಂಗ್ಲೆಂಡ್ ಜರ್ನಲ್ ಆಫ್ ಮೆಡಿಸಿನ್. 380, 1347–1358 (2019).
ಗ್ರಿಮ್ಮರ್ ಜೆ, ರಾಬರ್ಟ್ಸ್ ಎಂಇ. ಮತ್ತು ಸ್ಟೀವರ್ಟ್ ಬಿಎಂ ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನಗಳಲ್ಲಿ 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, ಓಇ, ಕೋಕ್ಲಿ, ಕೆ., ಕಿರ್ಕ್‌ಪ್ಯಾಟ್ರಿಕ್, ಕೆ., ಮತ್ತು ಗಿಲ್, ವೈ. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಅಪ್ರಸ್ತುತತೆಯ ಮೂಲಗಳು: ಒಂದು ವಿಮರ್ಶೆ. https://arxiv.org/abs/2204.07610 (2022) ನಲ್ಲಿ ಪ್ರಿಪ್ರಿಂಟ್ ಲಭ್ಯವಿದೆ.
ಸ್ಕಲ್ಲಿ, ಡಿ., ಸ್ನೂಕ್, ಜೆ., ವಿಲ್ಟ್ಸ್ಕೊ, ಎ., ಮತ್ತು ರಹೀಮಿ, ಎ. ವಿಜೇತರ ಶಾಪ? ಪ್ರಾಯೋಗಿಕ ಪುರಾವೆಗಳ ವೇಗ, ಪ್ರಗತಿ ಮತ್ತು ಕಠಿಣತೆಯ ಕುರಿತು (ICLR, 2018).
ಆರ್ಮ್‌ಸ್ಟ್ರಾಂಗ್, ಟಿಜಿ, ಮೊಫಾಟ್, ಎ., ವೆಬ್ಬರ್, ಡಬ್ಲ್ಯೂ., ಮತ್ತು ಝೋಬೆಲ್, ಜೆ. ಸಂಯೋಜಕವಲ್ಲದ ವರ್ಧನೆಗಳು: 1998 ರಿಂದ ಪ್ರಾಥಮಿಕ ಹುಡುಕಾಟ ಫಲಿತಾಂಶಗಳು. ಮಾಹಿತಿ ಮತ್ತು ಜ್ಞಾನ ನಿರ್ವಹಣೆಯ 18 ನೇ ಎಸಿಎಂ ಸಮ್ಮೇಳನ 601–610 (ಎಸಿಎಂ 2009).
ಕಪೂರ್, ಎಸ್. ಮತ್ತು ನಾರಾಯಣನ್, ಎ. ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ವಿಜ್ಞಾನದಲ್ಲಿ ಸೋರಿಕೆ ಮತ್ತು ಪುನರುತ್ಪಾದನಾ ಬಿಕ್ಕಟ್ಟುಗಳು. ಪ್ಯಾಟರ್ನ್ಸ್, 4, 100804 (2023).
ಕಪೂರ್ ಎಸ್. ಮತ್ತು ಇತರರು. ಸುಧಾರಣೆ: ಯಂತ್ರ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವೈಜ್ಞಾನಿಕ ವರದಿ ಮಾಡುವ ಮಾನದಂಡಗಳು. https://arxiv.org/abs/2308.07832 (2023) ನಲ್ಲಿ ಪ್ರಿಪ್ರಿಂಟ್ ಲಭ್ಯವಿದೆ.
ಡಿಮಾಸಿ, ಒ., ಕಾರ್ಡಿಂಗ್, ಸಿ., ಮತ್ತು ರೆಕ್ಟ್, ಬಿ. ಅರ್ಥಹೀನ ಹೋಲಿಕೆಗಳು ವೈದ್ಯಕೀಯ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ತಪ್ಪು ಆಶಾವಾದಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು. PLoS ONE 12, e0184604 (2017).
ರಾಬರ್ಟ್ಸ್, ಎಂ., ಮತ್ತು ಇತರರು. ಎದೆಯ ಎಕ್ಸ್-ರೇ ಮತ್ತು ಕಂಪ್ಯೂಟೆಡ್ ಟೊಮೊಗ್ರಫಿಯಿಂದ COVID-19 ಅನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಊಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವಲ್ಲಿ ಸಾಮಾನ್ಯ ದೋಷಗಳು ಮತ್ತು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು. ನ್ಯಾಟ್. ಮ್ಯಾಕ್ಸ್. ಇಂಟೆಲ್. 3, 199–217 (2021).
ವಿನಾಂಟ್ಜ್ ಎಲ್. ಮತ್ತು ಇತರರು. COVID-19 ರೋಗನಿರ್ಣಯ ಮತ್ತು ಮುನ್ನರಿವಿಗಾಗಿ ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳು: ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆ ಮತ್ತು ನಿರ್ಣಾಯಕ ಮೌಲ್ಯಮಾಪನ. BMJ 369, m1328 (2020).
ವೇಲೆನ್ ಎಸ್., ಶ್ರೈಬರ್ ಜೆ., ನೋಬಲ್ ಡಬ್ಲ್ಯೂಎಸ್ ಮತ್ತು ಪೊಲಾರ್ಡ್ ಕೆಎಸ್ ಜೀನೋಮಿಕ್ಸ್‌ನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವ ಅಪಾಯಗಳನ್ನು ನಿವಾರಿಸುವುದು. ನ್ಯಾಟ್. ಪಾಸ್ಟರ್ ಗಿನೆಟ್. 23, 169–181 (2022).
ಅಟ್ರಿಸ್ ಎನ್. ಮತ್ತು ಇತರರು. ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಗೆ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು. ನ್ಯಾಚುರಲ್ ಕೆಮಿಕಲ್. 13, 505–508 (2021).
ಬ್ರಂಟನ್ ಎಸ್ಎಲ್ ಮತ್ತು ಕುಟ್ಜ್ ಜೆಎನ್ ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳ ಯಂತ್ರ ಕಲಿಕೆಗೆ ಭರವಸೆಯ ನಿರ್ದೇಶನಗಳು. ನ್ಯಾಟ್. ಲೆಕ್ಕಾಚಾರ. ವಿಜ್ಞಾನ. 4, 483–494 (2024).
ವಿನುಯೆಸಾ, ಆರ್. ಮತ್ತು ಬ್ರಂಟನ್, ಎಸ್ಎಲ್ ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲಕ ಕಂಪ್ಯೂಟೇಶನಲ್ ದ್ರವ ಚಲನಶಾಸ್ತ್ರವನ್ನು ಸುಧಾರಿಸುವುದು. ನ್ಯಾಟ್. ಲೆಕ್ಕಾಚಾರ. ವಿಜ್ಞಾನ. 2, 358–366 (2022).
ಕೊಮೌ, ಎಸ್. ಮತ್ತು ಇತರರು. ಭೌತಿಕವಾಗಿ ಮಾಹಿತಿ ಪಡೆದ ನರಮಂಡಲ ಜಾಲಗಳೊಂದಿಗೆ ವೈಜ್ಞಾನಿಕ ಯಂತ್ರ ಕಲಿಕೆ: ನಾವು ಈಗ ಎಲ್ಲಿದ್ದೇವೆ ಮತ್ತು ಮುಂದೇನು. ಜೆ. ವಿಜ್ಞಾನ. ಲೆಕ್ಕಾಚಾರ. 92, 88 (2022).
ದುರೈಸಾಮಿ, ಕೆ., ಯಾಕರಿನೊ, ಜಿ., ಮತ್ತು ಕ್ಸಿಯಾವೋ, ಹೆಚ್. ದತ್ತಾಂಶ ಯುಗದಲ್ಲಿ ಟರ್ಬುಲೆನ್ಸ್ ಮಾಡೆಲಿಂಗ್. ಆನ್‌ನ ಪರಿಷ್ಕೃತ ಆವೃತ್ತಿ. 51, 357–377 (2019).
ಡುರಾನ್, ಡಿಆರ್ ಭೂಭೌತ ಹೈಡ್ರೊಡೈನಾಮಿಕ್ಸ್‌ನಲ್ಲಿ ತರಂಗ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು, ಸಂಪುಟ 32 (ಸ್ಪ್ರಿಂಗರ್, 2013).
ಮಿಶ್ರಾ, ಎಸ್. ಡಿಫರೆನ್ಷಿಯಲ್ ಸಮೀಕರಣಗಳ ಡೇಟಾ-ಚಾಲಿತ ಲೆಕ್ಕಾಚಾರವನ್ನು ವೇಗಗೊಳಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯ ಚೌಕಟ್ಟು. ಗಣಿತ. ಎಂಜಿನಿಯರ್. https://doi.org/10.3934/Mine.2018.1.118 (2018).
ಕೊಚಿಕೋವ್ ಡಿ. ಮತ್ತು ಇತರರು. ಯಂತ್ರ ಕಲಿಕೆ - ಕಂಪ್ಯೂಟೇಶನಲ್ ದ್ರವ ಚಲನಶಾಸ್ತ್ರದ ವೇಗವರ್ಧನೆ. ಪ್ರಕ್ರಿಯೆ. ರಾಷ್ಟ್ರೀಯ ವಿಜ್ಞಾನ ಅಕಾಡೆಮಿ. ವಿಜ್ಞಾನ. US 118, e2101784118 (2021).
ಕಡಪ, ಕೆ. ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್‌ಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ - ಸಂಕ್ಷಿಪ್ತ ಪರಿಚಯ ಮತ್ತು ಕೆಲವು ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳು. https://arxiv.org/abs/2112.12054 (2021) ನಲ್ಲಿ ಪ್ರಿಪ್ರಿಂಟ್ ಲಭ್ಯವಿದೆ.
ರಾಸ್, ಎ., ಲಿ, ಝಡ್., ಪೆರೆಝೋಗಿನ್, ಪಿ., ಫೆರ್ನಾಂಡಿಸ್-ಗ್ರಾಂಡಾ, ಸಿ., ಮತ್ತು ಜನ್ನಾ, ಎಲ್. ಆದರ್ಶೀಕರಿಸಿದ ಮಾದರಿಗಳಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ ಸಾಗರ ಸಬ್‌ಗ್ರಿಡ್ ಪ್ಯಾರಾಮೀಟರ್‌ೀಕರಣದ ತುಲನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ. ಜೆ.ಅಡ್ವ್. ಮಾದರಿ. ಭೂಮಿಯ ವ್ಯವಸ್ಥೆ. 15. e2022MS003258 (2023).
ಲಿಪ್ಪೆ, ಪಿ., ವೈಲಿಂಗ್, ಬಿ., ಪೆರ್ಡಿಕಾರಿಸ್, ಪಿ., ಟರ್ನರ್, ಆರ್., ಮತ್ತು ಬ್ರಾಂಡ್‌ಸ್ಟೆಟರ್, ಜೆ. ಪಿಡಿಇ ಪರಿಷ್ಕರಣೆ: ನರ ಪಿಡಿಇ ಪರಿಹಾರಕದೊಂದಿಗೆ ನಿಖರವಾದ ದೀರ್ಘ ಹೊರತೆಗೆಯುವಿಕೆಗಳನ್ನು ಸಾಧಿಸುವುದು. ನರ ಮಾಹಿತಿ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಗಳ ಕುರಿತು 37 ನೇ ಸಮ್ಮೇಳನ (ನ್ಯೂರ್‌ಐಪಿಎಸ್ 2023).
ಫ್ರಾಚಾಸ್, ಪಿಆರ್ ಮತ್ತು ಇತರರು. ಸಂಕೀರ್ಣವಾದ ಸ್ಪಾಟಿಯೊಟೆಂಪೊರಲ್ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಊಹಿಸಲು ಪುನರಾವರ್ತಿತ ನರಮಂಡಲ ಜಾಲಗಳಲ್ಲಿ ಬ್ಯಾಕ್‌ಪ್ರೊಪಗೇಷನ್ ಅಲ್ಗಾರಿದಮ್ ಮತ್ತು ಜಲಾಶಯ ಲೆಕ್ಕಾಚಾರ. ನರಮಂಡಲ. 126, 191–217 (2020).
ರೈಸ್ಸಿ, ಎಂ., ಪೆರ್ಡಿಕಾರಿಸ್, ಪಿ. ಮತ್ತು ಕಾರ್ನಿಯಾಡಾಕಿಸ್, ಜಿಇ ಭೌತಶಾಸ್ತ್ರ, ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ, ನರಮಂಡಲ ಜಾಲಗಳು: ರೇಖಾತ್ಮಕವಲ್ಲದ ಭಾಗಶಃ ಭೇದಾತ್ಮಕ ಸಮೀಕರಣಗಳನ್ನು ಒಳಗೊಂಡ ಫಾರ್ವರ್ಡ್ ಮತ್ತು ವಿಲೋಮ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಆಳವಾದ ಕಲಿಕೆಯ ಚೌಕಟ್ಟು. ಜೆ. ಕಂಪ್ಯೂಟರ್. ಭೌತಶಾಸ್ತ್ರ. 378, 686–707 (2019).
ಗ್ರಾಸ್‌ಮನ್, ಟಿಜಿ, ಕೊಮೊರೊವ್ಸ್ಕಾ, ಯುಜೆ, ಲುಟ್ಜ್, ಜೆ., ಮತ್ತು ಸ್ಕೋನ್‌ಲೀಬ್, ಕೆ.-ಬಿ. ಭೌತಶಾಸ್ತ್ರ ಆಧಾರಿತ ನರಮಂಡಲ ಜಾಲಗಳು ಸೀಮಿತ ಅಂಶ ವಿಧಾನಗಳನ್ನು ಮೀರಿಸುತ್ತದೆಯೇ? ಐಎಂಎ ಜೆ. ಅನ್ವಯಿಕೆಗಳು. ಗಣಿತ. 89, 143–174 (2024).
ಡೆ ಲಾ ಮಾತಾ, ಎಫ್‌ಎಫ್, ಗಿಜಾನ್, ಎ., ಮೋಲಿನಾ-ಸೋಲಾನಾ, ಎಂ., ಮತ್ತು ಗೊಮೆಜ್-ರೊಮೆರೊ, ಜೆ. ಡೇಟಾ-ಚಾಲಿತ ಮಾಡೆಲಿಂಗ್‌ಗಾಗಿ ಭೌತಶಾಸ್ತ್ರ ಆಧಾರಿತ ನರಮಂಡಲ ಜಾಲಗಳು: ಅನುಕೂಲಗಳು, ಮಿತಿಗಳು ಮತ್ತು ಅವಕಾಶಗಳು. ಭೌತಶಾಸ್ತ್ರ. ಎ 610, 128415 (2023).
ಝುವಾಂಗ್, ಪಿ.-ವೈ. & ಬಾರ್ಬಾ, LA ದ್ರವ ಮಾದರಿಯಲ್ಲಿ ಭೌತಶಾಸ್ತ್ರ ಆಧಾರಿತ ನರಮಂಡಲ ಜಾಲಗಳ ಕುರಿತು ಪ್ರಾಯೋಗಿಕ ವರದಿ: ಅಪಾಯಗಳು ಮತ್ತು ನಿರಾಶೆಗಳು. https://arxiv.org/abs/2205.14249 (2022) ನಲ್ಲಿ ಪೂರ್ವಮುದ್ರಣ ಲಭ್ಯವಿದೆ.
ಜುವಾಂಗ್, ಪಿ.-ವೈ. ಮತ್ತು ಬಾರ್ಬಾ, LA ಸುಳಿಯ ರಚನೆಯ ಮೇಲೆ ಭೌತಿಕವಾಗಿ ಮಾಹಿತಿ ಪಡೆದ ನರಮಂಡಲ ಜಾಲಗಳ ಮುನ್ಸೂಚಕ ಮಿತಿಗಳು. https://arxiv.org/abs/2306.00230 (2023) ನಲ್ಲಿ ಪ್ರಿಪ್ರಿಂಟ್ ಲಭ್ಯವಿದೆ.
ವಾಂಗ್, ಎಸ್., ಯು, ಹೆಚ್., ಮತ್ತು ಪೆರ್ಡಿಕಾರಿಸ್, ಪಿ. ಪಿನ್‌ಗಳು ತರಬೇತಿ ನೀಡಲು ವಿಫಲವಾದಾಗ ಮತ್ತು ಏಕೆ: ನರ ಸ್ಪರ್ಶಕ ನ್ಯೂಕ್ಲಿಯಸ್ ದೃಷ್ಟಿಕೋನ. ಜೆ. ಕಂಪ್ಯೂಟರ್. ಭೌತಶಾಸ್ತ್ರ. 449, 110768 (2022).
ಕೃಷ್ಣಪ್ರಿಯನ್, ಎ., ಘೋಲಾಮಿ, ಎ., ಝೆ, ಎಸ್., ಕಿರ್ಬಿ, ಆರ್., ಮತ್ತು ಮಹೋನಿ, MW ಭೌತಿಕ ಮಾಹಿತಿ ನರಮಂಡಲ ಜಾಲಗಳಲ್ಲಿ ಸಂಭವನೀಯ ವೈಫಲ್ಯ ವಿಧಾನಗಳ ಗುಣಲಕ್ಷಣಗಳು. ನರ ಮಾಹಿತಿ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಗಳ ಕುರಿತು 35 ನೇ ಸಮ್ಮೇಳನ ಸಂಪುಟ 34, 26548–26560 (ನ್ಯೂರ್‌ಐಪಿಎಸ್ 2021).
ಬಸಿರ್, ಎಸ್. ಮತ್ತು ಸೆನೊಕಾಕ್, ಐ. ಭೌತಶಾಸ್ತ್ರ ಆಧಾರಿತ ನರಮಂಡಲಗಳಲ್ಲಿನ ವೈಫಲ್ಯ ವಿಧಾನಗಳ ವಿಮರ್ಶಾತ್ಮಕ ಅಧ್ಯಯನ. AiAA SCITECH 2022 ವೇದಿಕೆ 2353 (ARK, 2022) ರಲ್ಲಿ.
ಕರ್ನಾಕೋವ್ ಪಿ., ಲಿಟ್ವಿನೋವ್ ಎಸ್. ಮತ್ತು ಕೌಮೌಟ್ಸಕೋಸ್ ಪಿ. ಪ್ರತ್ಯೇಕ ನಷ್ಟಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವ ಮೂಲಕ ಭೌತಿಕ ವಿಲೋಮ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವುದು: ನರಮಂಡಲಗಳಿಲ್ಲದೆ ವೇಗದ ಮತ್ತು ನಿಖರವಾದ ಕಲಿಕೆ. ಪ್ರಕ್ರಿಯೆ. ರಾಷ್ಟ್ರೀಯ ವಿಜ್ಞಾನ ಅಕಾಡೆಮಿ. ವಿಜ್ಞಾನ. ನೆಕ್ಸಸ್ 3, pgae005 (2024).
ಗುಂಡರ್ಸನ್ OE ಪುನರುತ್ಪಾದನೆಯ ಮೂಲ ತತ್ವಗಳು. ಫಿಲ್.ಕ್ರಾಸ್. ಆರ್. ಶುಕರ್. ಎ 379, 20200210 (2021).
ಅರೋಮ್ಯಾಟಾರಿಸ್ ಇ ಮತ್ತು ಪಿಯರ್ಸನ್ ಎ. ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆಗಳು: ಒಂದು ಅವಲೋಕನ. ಹೌದು. ಜೆ. ನರ್ಸಿಂಗ್ 114, 53–58 (2014).
ಮಗೀರಾ, ಜೆ., ರೇ, ಡಿ., ಹೆಸ್ತವೆನ್, ಜೆಎಸ್, ಮತ್ತು ರೋಹ್ಡೆ, ಕೆ. ರೀಮನ್ ಸಮಸ್ಯೆಗೆ ನಿರ್ಬಂಧ-ಅವೇರ್ ನರಮಂಡಲ ಜಾಲಗಳು. ಜೆ. ಕಂಪ್ಯೂಟರ್. ಭೌತಶಾಸ್ತ್ರ. 409, 109345 (2020).
ಬೆಜ್ಗಿನ್ ಡಿಎ, ಸ್ಮಿತ್ ಎಸ್‌ಜೆ ಮತ್ತು ಆಡಮ್ಸ್ ಎನ್ಎ ಶಾಸ್ತ್ರೀಯವಲ್ಲದ ಕಡಿಮೆ ವೋಲ್ಟೇಜ್ ಆಘಾತಗಳಿಗೆ ಡೇಟಾ-ಚಾಲಿತ ಭೌತಿಕವಾಗಿ ತಿಳಿಸಲಾದ ಸೀಮಿತ ಪರಿಮಾಣ ಸರ್ಕ್ಯೂಟ್. ಜೆ. ಕಂಪ್ಯೂಟರ್. ಭೌತಶಾಸ್ತ್ರ. 437, 110324 (2021).