Mar, 2023

语义化数据科学的愿景

PDF
TL;DR本文讨论了当前数据科学和机器学习自动化解决方案的重要缺陷，并设想如何利用语义理解和推理与数据科学自动化的新工具相结合，以帮助保持一致且可解释的数据增强和转换。另外，我们还讨论了语义如何在处理与信任、偏见和可解释性相关的挑战方面以一种崭新的方式帮助数据科学家，并在更好地探索和组织大型数据源方面提供帮助。
发现论文，激发创造
  • 自动数据科学中的语义调研

    本文介绍了当前自动化数据科学和机器学习的重要缺陷，并讨论了如何利用基本的语义推理和新型数据科学自动化工具相结合来帮助数据扩充和转换的一致性和可解释性。此外，语义可以通过帮助解决信任、偏见和可解释性方面的挑战，以一种新的方式协助数据科学家。

    May, 2022

  • 利用机器学习增强数据空间语义互操作性：一种展望性视角

    本文提出了一种通过应用机器学习改善数据空间语义互操作性的方案，自动生成和更新元数据、更灵活的词汇，使不同子群体使用不同的术语成为可能，以解决当前数据交换的限制。

    Mar, 2023

  • 自动化数据分析的轻量级知识表示

    数据科学的主要目标是从数据中获取有意义的信息，本文尝试自动化数据分析的关键性环节，并通过实现数据分析方法和建立领域特定知识的链接，以及验证功能，为全自动数据分析铺平道路。

    Oct, 2023

  • 数据湖中的语义数据管理

    数据湖系统中的语义数据管理及可扩展性对大数据具有挑战，本研究回顾了最近的方法，重点关注数据湖系统内的应用，涉及基本语义数据管理、丰富数据湖中元数据的语义建模方法和基于本体的数据访问方法，同时指出未来工作中需要更紧密地集成大数据和语义 Web 技术。

    Oct, 2023

  • 人工智能模型语义可解释性

    本研究从广阔的角度观察模型可解释性，超越了机器学习的范畴，涵盖了分布语义学和模糊逻辑等不同的人工智能领域。我们根据模型的性质和它们引入可解释性方面的方法进行分类，并分析每种方法如何影响最终用户。同时指出还需要解决的问题，以提供更以人为本的解释性解决方案。

    Jul, 2019

  • 利用知识片段丰富人工智能解释

    本研究使用人工智能模型进行制造业数据分析，考虑参数排序以及媒体新闻和元数据等数据源，提高对需求预测项目的解释性和可靠性。

    Apr, 2022

  • 利用语义和机器学习扩展数据科学解决方案：博世案例

    通过将语义技术和机器学习与云系统相结合，SemCloud 为非云计算专家提供了一个语义增强的云系统，它依靠领域本体和数据集成映射来实现数据处理和分析的分布式计算。

    Aug, 2023

  • 法律领域中以数据为中心的机器学习

    探究数据集大小、训练数据集和测试数据集的划分、人工标注标签准确性等对深度学习分类器性能的影响，指出类的语义同质性会影响分类的难度，并讨论数据集属性评估的建立方法以及数据集增强可以作为提高 AI&Law 各种任务分类性能的另一条途径。

    Jan, 2022

  • 用语义区间解释关系分类模型

    近年来，大型预训练语言模型（如 BERT 和 GPT）显著改进了各种任务的信息提取系统，包括关系分类。然而，解释性的不足目前是许多实际应用中的一个复杂因素。本文提出了语义范围的概念，用于分析关系分类任务的决策模式，并通过比较人类和模型的语义范围，揭示出模型倾向于从数据中学习快捷模式的问题。我们的方法可以帮助检测和消除模型开发过程中的虚假决策模式，进一步提高自然语言处理系统的可靠性和安全性，并为解释深度学习模型开辟了新的研究方向。

    Aug, 2023

  • 跨领域知识转移的图启用方法

    通过跨领域知识转移来减少领域知识不足的影响，结合半监督学习及大量无监督数据，提高机器学习任务的性能以实现自动决策

    Apr, 2023