AAAIMar, 2023

加速科学的数据集工程白皮书

PDF
TL;DR数据集在科学发现过程中的组织和应用至关重要，也应该成为任何知识密集型过程中的一等公民，并且应该引起人们对数据集生命周期的重视和关注，尤其是在使用人工智能方法来探索科学知识时。
发现论文，激发创造
  • STEM 科学的过程、方法、材料和数据命名实体概述

    本文旨在通过针对 10 个不同学科的 STEM 论文提供的一个大规模结构数据集分析研究，分析一个大型多学科语料库的可行性，进而为科学知识的各个方面提供总结。

    May, 2022

  • TDMSci：一种用于科学文献实体标注的专业语料库，标注对象为任务、数据集和指标

    本文为了促进科学出版物摘要和知识发现的研究，提出了一个新的语料库，其中包含来自自然语言处理论文的 2000 个句子的任务、数据集和评估指标的领域专家标注。通过使用简单的数据增强策略，我们报告了 TDM 提取的实验结果，并将我们的标签器应用于 ACL 文集中约 30,000 篇 NLP 论文。

    Jan, 2021

  • 数据分析的数据工程：问题分类和案例研究

    本文提供了关于数据工程任务的描述和分类，包括数据组织，数据质量和特征工程，以及四个数据集和例子分析，以帮助减少这项任务的负担并推动数据工程自动化的研究。

    Apr, 2020

  • 神奇的数据及如何查询它们

    本文介绍了一个用于不同数据集整合和查询的统一框架，并在计算机视觉数据集中展示了其在不同情景下的优势。

    Jan, 2022

  • AI 竞赛与基准测试：数据集开发

    发展机器学习数据集的方法论和实践经验，涵盖数据准备、集合、质量评估等方面。

    Apr, 2024

  • 数据及其 (不) 内容：机器学习研究中数据集开发与使用调查

    本文综述了在机器学习中收集和使用数据的许多问题和担忧，并提倡通过更谨慎和深入的数据理解来解决实践和伦理问题。

    Dec, 2020

  • 数据工程与 AI 系统的映射研究

    AI 系统需要数据，而 AI 数据工程可以为组织提供帮助。本文通过进行数据工程的映射研究，总结了 AI 数据工程活动的论文，包括各个生命周期阶段、技术解决方案和教训，为从业者和研究人员提供了知识概览。

    Feb, 2024

  • 描述机器学习数据集的领域特定语言

    该论文提出了一种具有社会关注的领域特定语言来描述机器学习数据集的结构以及数据出处的新方法，这将促进任何机器学习倡议来利用和从机器学习的数据中获益。

    Jul, 2022

  • 机器学习数据集的问责性：源于软件工程和基础设施的实践

    通过严格的数据集开发透明度框架，从软件开发生命周期中提取最佳实践，以决策和问责支持来关闭人工智能系统中的问责差距。

    Oct, 2020

  • 数据集的数据表

    为了解决机器学习数据集缺乏标准化过程带来的严重后果，我们提出了数据集的数据表格，以促进数据集创建者和数据集使用者之间的更好沟通，并鼓励机器学习社区优先考虑透明度和责任性。

    Mar, 2018