Mar, 2024

应用数学中工作流程和模型的 FAIR 文档化方向

PDF
TL;DRMathematical models in Modeling-Simulation-Optimization workflows are addressed by MaRDI and MathModDB, as exemplified by an algebraic modeling workflow from the Digital Humanities.
modeling-simulation-optimization workflowsmardimardmomathmoddbdigital humanities
发现论文，激发创造
  • 应用数学及相关学科中的模型和算法本体论

    使用本体论的方法，将应用数学中的建模 - 仿真 - 优化工作流的数学模型和数值算法表示出来，以构建 FAIR 数学研究数据。通过介绍多孔介质微裂纹分析的具体例子，展示了本体论如何表征基础数学模型及其相应的数值算法。

    Oct, 2023

  • Deriva-ML: 一种连续的 FAIRness 方法用于可重复机器学习模型

    提出了一种基于 FAIR 原则的数据管理工具架构和实现，通过两个案例展示了如何利用这些工具提高基于机器学习的科学研究的质量。

    Jun, 2024

  • 医学影像公平性基准测试

    该研究介绍了 MEDFAIR 框架，可以用于医学成像机器学习模型的公平性评估和算法的基准测试，通过实验发现模型选择标准可以对公平性结果产生重要影响，并在不同的应用场景和伦理原则下提供了建议。

    Oct, 2022

  • AI 模型 FAIR 原则在加速高能衍射显微技术中的实际应用

    介绍了一套实用、简单、可衡量的 FAIR 准则，用于 AI 模型的数据管理和保存；展示了一个领域无关的计算框架，其中包含了 Advanced Photon Source、Materials Data Facility、Data and Learning Hub for Science、funcX 和 Argonne Leadership Computing Facility (ALCF) 等元素，以期在 AI 驱动的自主发现方面发挥作用。

    Jul, 2022

  • 轻量级数据集成：多工作流可信度与数据可观测性导向

    现代大规模科学发现需要跨多个计算设施进行多学科合作，其中包括高性能计算（HPC）机器和边缘到云的连续体。综合数据分析在科学发现中起着至关重要的作用，特别是在当前人工智能时代，通过支持负责任的 AI 开发、FAIR、可重复性和用户调节。然而，科学的异构性提出了一些挑战，例如处理多个支持工具、跨设施环境和高效的 HPC 执行。在数据可观察性、适配器系统设计和溯源的基础上，我们提出了 MIDA：一种轻量级运行时多工作流集成数据分析方法。MIDA 定义了针对各种并行系统和机器学习工具的数据可观察性策略和适应性方法。通过可观察性，在后台截取数据流，无需仪器，同时将领域、溯源和遥测数据以运行时的方式整合到一个统一的数据库中，以准备好用户调节查询。我们进行了实验，展示了从 Dask 和 MLFlow 集成数据的端到端多工作流分析，用于材料科学中的真实分布式深度学习用例，在多个环境中平行运行，最多 276 个 GPU。我们展示了在 Summit 超级计算机上，在 1,680 个 CPU 核心上运行高达 100,000 个任务的接近零开销。

    Aug, 2023

  • 计算分子工程中的语义互操作性和数据溯源特征化

    该研究提出了用于描述计算分子工程中使用的模拟工作流、各种数据来源和平台的元数据的共同表示系统，引入了两个本体论来提供对实体和它们之间关系的正式规范，以实现语义互操作性。作为概念证明，使用 OSMO 来描述了 TaLPas 工作流管理系统的用例。

    Jul, 2019

  • 用于信任机器学习的公平可解释建模（FAIM）在医疗保健领域

    我们提出了一个可解释的框架 - 公平感知可解释建模（FAIM），以提高模型的公平性，同时保持性能，通过交互界面从一组高性能模型中识别出一个 “更公平” 的模型，并推动数据驱动证据和临床经验的整合，以增强情境公平性。我们通过使用两个真实世界数据库（MIMIC-IV-ED 和 SGH-ED）在预测入院时减少性别和种族偏见方面展示了 FAIM 的价值。我们展示了针对这两个数据集，FAIM 模型不仅表现出令人满意的区分能力，而且通过广泛使用的公平度量指标显著减轻了偏见，胜过常用的偏见减轻方法。我们的方法展示了在不牺牲性能的情况下提高公平性的可行性，并提供一种邀请领域专家参与的建模模式，促进定制人工智能公平性的多学科工作。

    Mar, 2024

  • 灵活的多模态文档模型

    本文提出了一种名为 FlexDM 的全新多模态学习模型，它能够有效地解决复杂的图形文档生成任务，并实现与成本高的基线相竞争的表现。

    Mar, 2023

  • MLC 数据的 FAIR 化

    本文介绍了一种基于本体的多标签分类（MLC）数据集在线目录和性能评估查询系统，以便遵循 FAIR 和 TRUST 原则以保证合适、正确、强大和值得信赖的基准测试。

    Nov, 2022

  • SimFair: 基于模拟模型的物理引导公平感知学习

    使用物理引导的公平感知学习框架 SimFair，整合基于物理规律的模拟和逆向建模来解决仅有有限数据样本新区域的困境，进一步提高了公平性保护的效果。

    Jan, 2024