Apprentissage automatique guidé par la connaissance : accélération de la découverte à l'aide des connaissances scientifiques et des données - Broché

par Anuj Karpatne (Rédacteur), Ramakrishnan Kannan (Rédacteur), Vipin Kumar (Rédacteur)

Compte tenu de leur immense succès dans les applications commerciales, les modèles d'apprentissage automatique (ML) sont de plus en plus considérés comme des alternatives aux modèles basés sur la science dans de nombreuses disciplines. Pourtant, ces modèles d'apprentissage automatique "boîte noire" n'ont connu qu'un succès limité en raison de leur incapacité à bien fonctionner en présence de données d'entraînement limitées et à se généraliser à des scénarios inédits. En conséquence, il y a un intérêt croissant dans la communauté scientifique pour la création d'une nouvelle génération de méthodes qui intègrent les connaissances scientifiques dans les cadres d'apprentissage automatique. Ce domaine émergent, appelé apprentissage automatique guidé par les connaissances scientifiques (KGML), cherche à se démarquer des méthodes existantes "basées uniquement sur les données" ou "basées uniquement sur les connaissances scientifiques" pour utiliser les connaissances et les données sur un pied d'égalité. En effet, le KGML implique diverses communautés scientifiques et d'apprentissage automatique, où des chercheurs et des praticiens de divers horizons et domaines d'application enrichissent continuellement les formulations des problèmes et les méthodes de recherche dans ce domaine émergent.

« Knowledge Guided Machine Learning: Accelerating Discovery using Scientific Knowledge and Data » (Apprentissage automatique guidé par les connaissances : accélérer la découverte à l'aide des connaissances scientifiques et des données) présente une introduction à ce domaine en croissance rapide en abordant certains des thèmes de recherche courants en KGML à l'aide d'exemples illustratifs, d'études de cas et de revues de divers domaines d'application et communautés de recherche sous forme de chapitres de livre par des chercheurs de premier plan.

CARACTÉRISTIQUES CLÉS

• Premier livre de ce type dans un domaine de recherche émergent qui suscite un intérêt généralisé dans les domaines scientifiques et de la science des données
• Accessible à un large public dans les domaines de la science des données, des sciences et de l'ingénierie
• Fournit une structure organisationnelle cohérente aux formulations des problèmes et aux méthodes de recherche dans le domaine émergent du KGML à l'aide d'exemples illustratifs issus de divers domaines d'application
• Contient des chapitres rédigés par des chercheurs de premier plan, qui illustrent les tendances, les opportunités et les défis de la recherche en KGML sous de multiples perspectives
• Permet la pollinisation croisée des formulations de problèmes et des méthodes de recherche en KGML entre les disciplines
• Souligne les lacunes critiques qui nécessitent une investigation plus approfondie par la communauté plus large des chercheurs et des praticiens pour réaliser le plein potentiel du KGML

Biographie de l'auteur

Anuj Karpatne est professeur adjoint au département d'informatique de Virginia Tech. Ses recherches se concentrent sur l'avancement des frontières de l'apprentissage automatique guidé par les connaissances en combinant les connaissances scientifiques et les données dans la conception et l'apprentissage des méthodes d'apprentissage automatique pour résoudre des problèmes scientifiques et socialement pertinents.

Ramakrishnan Kannan est le chef de groupe des algorithmes discrets au Laboratoire national d'Oak Ridge. Son expertise en recherche porte sur l'apprentissage automatique distribué et les algorithmes de graphes sur les plateformes HPC et leur application aux données scientifiques avec un intérêt spécifique pour l'accélération de la découverte scientifique.

Vipin Kumar est professeur émérite au département d'informatique et d'ingénierie de l'Université du Minnesota. Son principal axe de recherche actuel est l'apprentissage automatique guidé par les connaissances et ses applications à la compréhension de l'impact des changements induits par l'homme sur la Terre et son environnement.