ພື້ນຖານທີ່ອ່ອນເພຍ ແລະຄວາມລຳອຽງໃນການລາຍງານນໍາໄປສູ່ການເພີ່ມປະສິດທິພາບເກີນໃນການຮຽນຮູ້ເຄື່ອງຈັກຂອງສົມຜົນສ່ວນຕ່າງທີ່ກ່ຽວຂ້ອງກັບນໍ້າ.

ຂໍ​ຂອບ​ໃຈ​ທ່ານ​ສໍາ​ລັບ​ການ​ຢ້ຽມ​ຢາມ Nature.com​. ເວີຊັນຂອງຕົວທ່ອງເວັບທີ່ທ່ານກໍາລັງໃຊ້ມີການສະຫນັບສະຫນູນ CSS ຈໍາກັດ. ເພື່ອໃຫ້ໄດ້ຜົນດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ທ່ານໃຊ້ບຣາວເຊີເວີຊັ່ນໃໝ່ກວ່າ (ຫຼືປິດການນຳໃຊ້ໂໝດຄວາມເຂົ້າກັນໄດ້ໃນ Internet Explorer). ໃນເວລານີ້, ເພື່ອຮັບປະກັນການສະຫນັບສະຫນູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາກໍາລັງສະແດງເວັບໄຊທ໌ໂດຍບໍ່ມີຮູບແບບຫຼື JavaScript.
ຫນຶ່ງໃນຄໍາຮ້ອງສະຫມັກທີ່ໂດດເດັ່ນທີ່ສຸດຂອງການຮຽນຮູ້ເຄື່ອງຈັກໃນຟີຊິກຄອມພິວເຕີ້ແມ່ນການເລັ່ງການແກ້ໄຂຂອງສົມຜົນຄວາມແຕກຕ່າງບາງສ່ວນ (PDEs). ເປົ້າໝາຍຫຼັກຂອງຕົວແກ້ໄຂສົມຜົນສ່ວນຕ່າງທີ່ອີງໃສ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນການຜະລິດວິທີແກ້ໄຂທີ່ຖືກຕ້ອງໄວກວ່າວິທີການຕົວເລກມາດຕະຖານເພື່ອໃຊ້ເປັນການປຽບທຽບພື້ນຖານ. ພວກເຮົາທໍາອິດດໍາເນີນການທົບທວນລະບົບຂອງວັນນະຄະດີການຮຽນຮູ້ເຄື່ອງຈັກກ່ຽວກັບການແກ້ໄຂບັນຫາສົມຜົນຄວາມແຕກຕ່າງບາງສ່ວນ. ຂອງເອກະສານທັງຫມົດທີ່ລາຍງານການນໍາໃຊ້ ML ເພື່ອແກ້ໄຂສົມຜົນສ່ວນຕ່າງຂອງນ້ໍາແລະອ້າງວ່າດີກວ່າວິທີການຕົວເລກມາດຕະຖານ, ພວກເຮົາໄດ້ກໍານົດ 79% (60/76) ເມື່ອທຽບກັບພື້ນຖານທີ່ອ່ອນແອ. ອັນທີສອງ, ພວກເຮົາພົບເຫັນຫຼັກຖານຂອງຄວາມລໍາອຽງໃນການລາຍງານທີ່ແຜ່ຂະຫຍາຍ, ໂດຍສະເພາະໃນການລາຍງານຜົນໄດ້ຮັບແລະຄວາມລໍາອຽງໃນການພິມເຜີຍແຜ່. ພວກເຮົາສະຫຼຸບວ່າການຄົ້ນຄວ້າການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນການແກ້ໄຂບັນຫາສົມຜົນຄວາມແຕກຕ່າງບາງສ່ວນແມ່ນມີແງ່ດີເກີນໄປ: ຂໍ້ມູນການປ້ອນຂໍ້ມູນທີ່ອ່ອນແອສາມາດນໍາໄປສູ່ຜົນໄດ້ຮັບໃນທາງບວກເກີນໄປ, ແລະການລາຍງານຄວາມລໍາອຽງສາມາດນໍາໄປສູ່ການລາຍງານຜົນໄດ້ຮັບທາງລົບຫນ້ອຍ. ໃນສ່ວນໃຫຍ່, ບັນຫາເຫຼົ່ານີ້ປະກົດວ່າເກີດມາຈາກປັດໃຈທີ່ຄ້າຍຄືກັນກັບວິກິດການການຜະລິດໃນອະດີດ: ການຕັດສິນໃຈຂອງຜູ້ສືບສວນແລະຄວາມລໍາອຽງຜົນໄດ້ຮັບໃນທາງບວກ. ພວກເຮົາຮຽກຮ້ອງໃຫ້ມີການປ່ຽນແປງທາງດ້ານວັດທະນະທໍາຂັ້ນລຸ່ມເພື່ອຫຼຸດຜ່ອນການລາຍງານຄວາມລໍາອຽງແລະການປະຕິຮູບໂຄງສ້າງເທິງລົງລຸ່ມເພື່ອຫຼຸດຜ່ອນແຮງຈູງໃຈທີ່ຜິດພາດທີ່ຈະເຮັດແນວນັ້ນ.
ບັນຊີລາຍຊື່ຂອງຜູ້ຂຽນແລະບົດຄວາມທີ່ສ້າງຂຶ້ນໂດຍການທົບທວນລະບົບ, ເຊັ່ນດຽວກັນກັບການຈັດປະເພດຂອງແຕ່ລະບົດຄວາມໃນຕົວຢ່າງແບບສຸ່ມ, ແມ່ນມີຢູ່ໃນສາທາລະນະທີ່ https://doi.org/10.17605/OSF.IO/GQ5B3 (ອ້າງອີງ 124).
ລະຫັດທີ່ຈໍາເປັນເພື່ອຜະລິດຄືນຜົນໄດ້ຮັບໃນຕາຕະລາງ 2 ສາມາດພົບໄດ້ໃນ GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ອ້າງອີງ 125) ແລະໃນ Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) ແລະ https://codeocean.com/capsule/0799002/tree/v1 (ລິ້ງ 127).
Randall, D., and Welser, K., The Ireproducibility Crisis in Modern Science: ສາເຫດ, ຜົນສະທ້ອນ, ແລະເສັ້ນທາງສໍາລັບການປະຕິຮູບ (ສະມາຄົມນັກວິທະຍາສາດແຫ່ງຊາດ, 2018).
Ritchie, S. ນິຍາຍວິທະຍາສາດ: ການສໍ້ໂກງ, ຄວາມອະຄະຕິ, ຄວາມງຽບ, ແລະການຢັບຢັ້ງເຮັດໃຫ້ການຄົ້ນຫາຄວາມຈິງ (Vintage, 2020).
ເປີດການຮ່ວມມືທາງວິທະຍາສາດ. ການ​ປະ​ເມີນ​ຜົນ​ການ​ສືບ​ພັນ​ໃນ​ວິ​ທະ​ຍາ​ສາດ​ທາງ​ຈິດ​ໃຈ​. ວິທະຍາສາດ 349, AAAC4716 (2015).
Prinz, F., Schlange, T., ແລະ Asadullah, K. ເຊື່ອຫຼືບໍ່ວ່າ: ພວກເຮົາສາມາດອີງໃສ່ຂໍ້ມູນທີ່ເຜີຍແຜ່ກ່ຽວກັບເປົ້າຫມາຍຢາເສບຕິດທີ່ມີທ່າແຮງຫຼາຍປານໃດ? ນັດ. Rev. "ການຄົ້ນພົບຂອງຢາເສບຕິດ." 10, 712 (2011).
Begley, KG ແລະ Ellis, LM ຍົກສູງມາດຕະຖານໃນການຄົ້ນຄວ້າມະເຮັງ preclinical. ທຳມະຊາດ 483, 531–533 (2012).
A. Gelman ແລະ E. Loken, ສວນຂອງ Forking Paths: ເປັນຫຍັງການປຽບທຽບຫຼາຍໆຢ່າງຈຶ່ງເປັນບັນຫາເຖິງແມ່ນວ່າບໍ່ມີ "ການເລັ່ງການຫາປາ" ຫຼື "p-hacks" ແລະ Preformed Research Hypotheses, vol. 348, 1–17 (ກົມສະຖິຕິ, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., ແລະ Shi, D. ການຮຽນຮູ້ເຄື່ອງຈັກໃນການຊອກຫາຟີຊິກພື້ນຖານໃໝ່. ນັດ. ປະລິນຍາເອກ Philosophy ໃນຟີຊິກ. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ແລະ Ahsan MJ. ການຮຽນຮູ້ເຄື່ອງຈັກໃນການຄົ້ນພົບຢາເສບຕິດ: ການທົບທວນຄືນ. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS ແລະ Coote, ML ການຮຽນຮູ້ເລິກໃນເຄມີ. J. ເຄມີສາດ. ແຈ້ງ. ຕົວແບບ. 59, 2545–2559 (2019).
Rajkomar A., ​Dan J. ແລະ Kohan I. Machine learning in Medicine. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimer J, Roberts ME. ແລະ Stewart BM ການຮຽນຮູ້ເຄື່ອງຈັກໃນວິທະຍາສາດສັງຄົມ: ວິທີການທີ່ບໍ່ເຊື່ອຟັງ. Rev. Ann Ball. ວິທະຍາສາດ. 24, 395–419 (2021).
ໂດດ, J. et al. ເຮັດການຄາດຄະເນໂຄງສ້າງທາດໂປຼຕີນທີ່ຖືກຕ້ອງສູງໂດຍໃຊ້ alphafold. ທຳມະຊາດ 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., ແລະ Gil, Y. ແຫຼ່ງທີ່ມາຂອງ irreproducibility ໃນການຮຽນຮູ້ເຄື່ອງຈັກ: ການທົບທວນຄືນ. ມີໃຫ້ພິມລ່ວງໜ້າຢູ່ https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., ແລະ Rahimi, A. ຄໍາສາບແຊ່ງຂອງຜູ້ຊະນະ? ກ່ຽວ​ກັບ​ຄວາມ​ໄວ, ຄວາມ​ຄືບ​ຫນ້າ​ແລະ​ຄວາມ​ເຂັ້ມ​ແຂງ​ຂອງ​ຫຼັກ​ຖານ​ປະ​ຈັກ​ພະ​ຍາ​ຍາມ (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., ແລະ Zobel, J. ການປັບປຸງທີ່ບໍ່ແມ່ນສິ່ງເສບຕິດ: ຜົນການຄົ້ນຫາເບື້ອງຕົ້ນນັບຕັ້ງແຕ່ 1998. 18th ACM Conference on Information and Knowledge Management 601–610 (ACM 2009).
Kapoor, S. ແລະ Narayanan, A. ການຮົ່ວໄຫຼ ແລະວິກິດການແຜ່ພັນໃນວິທະຍາສາດການຮຽນຮູ້ເຄື່ອງຈັກ. ຮູບແບບ, 4, 100804 (2023).
Kapoor S. et al. ການປະຕິຮູບ: ມາດຕະຖານການລາຍງານວິທະຍາສາດໂດຍອີງໃສ່ການຮຽນຮູ້ເຄື່ອງຈັກ. ມີໃຫ້ພິມລ່ວງໜ້າຢູ່ https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., ແລະ Recht, B. ການປຽບທຽບທີ່ບໍ່ມີຄວາມຫມາຍສາມາດນໍາໄປສູ່ການຄາດເດົາທີ່ບໍ່ຖືກຕ້ອງໃນການຮຽນຮູ້ເຄື່ອງຈັກທາງການແພດ. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. ຄວາມຜິດພາດທົ່ວໄປ ແລະວິທີປະຕິບັດທີ່ດີທີ່ສຸດສໍາລັບການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອກວດຫາ ແລະຄາດຄະເນ COVID-19 ຈາກການ x-ray ຫນ້າເອິກ ແລະ tomography ຄອມພິວເຕີ. ນັດ. ສູງສຸດ. Intel. 3, 199–217 (2021).
Winantz L. et al. ຮູບແບບການຄາດເດົາສຳລັບການວິນິໄສ ແລະການຄາດຄະເນຂອງ COVID-19: ການກວດກາຢ່າງເປັນລະບົບ ແລະ ການປະເມີນວິຈານ. BMJ 369, m1328 (2020).
Whalen S. , Schreiber J. , Noble WS ແລະ Pollard KS ເອົາຊະນະຂຸມຂອງການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃນ genomics. ນັດ. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. ການປະຕິບັດທີ່ດີທີ່ສຸດສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກໃນເຄມີ. ນັດ. ເຄມີ. 13, 505–508 (2021).
Brunton SL ແລະ Kutz JN ທິດທາງທີ່ດີສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກຂອງສົມຜົນຄວາມແຕກຕ່າງບາງສ່ວນ. ນັດ. ຄິດໄລ່. ວິທະຍາສາດ. 4, 483–494 (2024).
Vinuesa, R. ແລະ Brunton, SL ການປັບປຸງນະໂຍບາຍດ້ານຂອງນໍ້າໃນຄອມພິວເຕີຜ່ານການຮຽນຮູ້ເຄື່ອງຈັກ. ນັດ. ຄິດໄລ່. ວິທະຍາສາດ. 2, 358–366 (2022).
Comeau, S. et al. ການຮຽນຮູ້ເຄື່ອງຈັກທາງວິທະຍາສາດກັບເຄືອຂ່າຍ neural ທີ່ມີຂໍ້ມູນທາງດ້ານຮ່າງກາຍ: ບ່ອນທີ່ພວກເຮົາຢູ່ໃນປັດຈຸບັນແລະສິ່ງທີ່ຕໍ່ໄປ. J. ວິທະຍາສາດ. ຄິດໄລ່. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., ແລະ Xiao, H. Turbulence ສ້າງແບບຈໍາລອງໃນຍຸກຂໍ້ມູນ. ສະບັບປັບປຸງຂອງ Ann. 51, 357–377 (2019).
Durran, DR ວິທີການຕົວເລກສໍາລັບການແກ້ສົມຜົນຄື້ນໃນ hydrodynamics geophysical, vol. 32 (Springer, 2013).
Mishra, S. A ກອບການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການເລັ່ງການຄິດໄລ່ຂໍ້ມູນຂອງສົມຜົນທີ່ແຕກຕ່າງກັນ. ຄະນິດສາດ. ວິສະວະກອນ. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. ການ​ຮຽນ​ຮູ້​ເຄື່ອງ​ຈັກ – ການ​ເລັ່ງ​ຂອງ​ການ​ເຄື່ອນ​ໄຫວ​ຂອງ​ນ​້​ໍ​າ​ຄໍາ​ນວນ​. ຂະ​ບວນ​ການ. ສະຖາບັນວິທະຍາສາດແຫ່ງຊາດ. ວິທະຍາສາດ. US 118, e2101784118 (2021).
Kadapa, K. ການຮຽນຮູ້ເຄື່ອງຈັກສຳລັບວິທະຍາສາດຄອມພິວເຕີ ແລະ ວິສະວະກຳ – ການແນະນຳສັ້ນໆ ແລະບາງບັນຫາທີ່ສຳຄັນ. ມີໃຫ້ພິມລ່ວງໜ້າຢູ່ https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., ແລະ Zanna, L. ການວິເຄາະປຽບທຽບຂອງ machine learning ocean subgrid parameterization in idealized model. J.Adv. ຕົວແບບ. ລະບົບແຜ່ນດິນໂລກ. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., ແລະ Brandsetteter, J. PDE refinement: ການບັນລຸ extrusions ຍາວທີ່ຖືກຕ້ອງດ້ວຍຕົວແກ້ໄຂ PDE neural. ກອງປະຊຸມຄັ້ງທີ 37 ກ່ຽວກັບລະບົບປະມວນຂໍ້ມູນລະບົບປະສາດ (NeurIPS 2023).
Frachas, PR et al. ສູດການຄິດໄລ່ຂອງ Backpropagation ແລະການຄິດໄລ່ອ່າງເກັບນ້ໍາໃນເຄືອຂ່າຍ neural recurrent ສໍາລັບການຄາດຄະເນການເຄື່ອນໄຫວ spatiotemporal ສະລັບສັບຊ້ອນ. ເຄືອຂ່າຍ neural. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ແລະ Karniadakis, GE Physics, ວິທະຍາສາດຄອມພິວເຕີ, ເຄືອຂ່າຍ neural: ກອບການຮຽນຮູ້ເລິກເຊິ່ງສໍາລັບການແກ້ໄຂບັນຫາຂ້າງຫນ້າແລະປີ້ນກັບກັນທີ່ກ່ຽວຂ້ອງກັບສົມຜົນຄວາມແຕກຕ່າງບາງສ່ວນທີ່ບໍ່ແມ່ນເສັ້ນ. J. ຄອມພິວເຕີ. ຟີຊິກ. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., ແລະ Schönlieb, K.-B. ເຄືອຂ່າຍ neural ທີ່ອີງໃສ່ຟີຊິກສາມາດປະຕິບັດວິທີການອົງປະກອບທີ່ຈໍາກັດໄດ້ບໍ? ຄໍາຮ້ອງສະຫມັກ IMA J. ຄະນິດສາດ. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., ແລະ Gómez-Romero, J. ເຄືອຂ່າຍ neural ທີ່ອີງໃສ່ຟີຊິກສໍາລັບການສ້າງແບບຈໍາລອງຂໍ້ມູນ: ຂໍ້ໄດ້ປຽບ, ຂໍ້ຈໍາກັດ, ແລະໂອກາດ. ຟີຊິກ. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA ບົດລາຍງານ empirical ກ່ຽວກັບ physics-based neural networks in fluid modeling: pitfalls ແລະຄວາມຜິດຫວັງ. ມີໃຫ້ພິມລ່ວງໜ້າຢູ່ https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ແລະ Barba, LA ຂໍ້ຈໍາກັດການຄາດເດົາຂອງເຄືອຂ່າຍ neural ທີ່ມີຂໍ້ມູນທາງດ້ານຮ່າງກາຍກ່ຽວກັບການສ້າງ vortex. ມີໃຫ້ພິມລ່ວງໜ້າຢູ່ https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., ແລະ Perdikaris, P. ເມື່ອໃດ ແລະເປັນຫຍັງ pinns ລົ້ມເຫລວໃນການຝຶກອົບຮົມ: ທັດສະນະຂອງ neural tangent nucleus. J. ຄອມພິວເຕີ. ຟີຊິກ. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., ແລະ Mahoney, MW ລັກສະນະຂອງຮູບແບບຄວາມລົ້ມເຫຼວທີ່ເປັນໄປໄດ້ໃນເຄືອຂ່າຍ neural ຂໍ້ມູນທາງດ້ານຮ່າງກາຍ. ກອງ​ປະ​ຊຸມ​ຄັ້ງ​ທີ 35 ກ່ຽວ​ກັບ​ລະ​ບົບ​ປະ​ມວນ​ຜົນ​ຂໍ້​ມູນ​ຂ່າວ​ສານ neural Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. ແລະ Senokak, I. ການສຶກສາທີ່ສໍາຄັນຂອງຮູບແບບຄວາມລົ້ມເຫຼວໃນເຄືອຂ່າຍ neural ທີ່ອີງໃສ່ຟີຊິກ. ໃນ AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P. , Litvinov S. ແລະ Koumoutsakos P. ການແກ້ໄຂບັນຫາທາງກົງກັນຂ້າມທາງກາຍໂດຍການເພີ່ມປະສິດທິພາບການສູນເສຍທີ່ບໍ່ຊ້ໍາກັນ: ການຮຽນຮູ້ໄວແລະຖືກຕ້ອງໂດຍບໍ່ມີເຄືອຂ່າຍ neural. ຂະ​ບວນ​ການ. ສະຖາບັນວິທະຍາສາດແຫ່ງຊາດ. ວິທະຍາສາດ. Nexus 3, pgae005 (2024).
Gundersen OE ຫຼັກການພື້ນຖານຂອງການສືບພັນ. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ແລະ Pearson A. ການທົບທວນລະບົບ: ພາບລວມ. ແມ່ນແລ້ວ. J. ການພະຍາບານ 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, ແລະ Rohde, K. Constraint-aware neural networks ສໍາລັບບັນຫາ Riemann. J. ຄອມພິວເຕີ. ຟີຊິກ. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ແລະ Adams NA ຂໍ້ມູນ-driven ທາງດ້ານຮ່າງກາຍການແຈ້ງໃຫ້ຊາບວົງຈອນປະລິມານຈໍາກັດສໍາລັບການຊ໊ອກແຮງດັນທີ່ຫຼຸດລົງທີ່ບໍ່ແມ່ນຄລາສສິກ. J. ຄອມພິວເຕີ. ຟີຊິກ. 437, 110324 (2021).