Der Artikel beschreibt zwei Paradigmen der Innovation im Maschinellen Lernen: die methodengetriebene Forschung, die sich auf die Entwicklung von Algorithmen mit bestimmten Zieleigenschaften konzentriert und diese anhand standardisierter Benchmarks evaluiert, sowie die anwendungsorientierte Forschung, die sich auf reale Probleme und deren spezifische Herausforderungen fokussiert.
Die Vorteile der anwendungsorientierten Herangehensweise werden herausgearbeitet: Sie kann nicht nur zu Fortschritten in den jeweiligen Anwendungsgebieten, sondern auch zu wichtigen Weiterentwicklungen der Methoden des Maschinellen Lernens selbst führen. Allerdings wird diese Art der Forschung im Maschinellen Lernen oft unterbewertet.
Der Artikel analysiert, wie die derzeitigen Praktiken in den Bereichen Begutachtung, Personalauswahl und Lehre die anwendungsorientierte Forschung benachteiligen und schlägt Verbesserungsvorschläge vor, um diese Form der Innovation im Maschinellen Lernen besser zu unterstützen.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by David Rolnic... a las arxiv.org 03-27-2024
https://arxiv.org/pdf/2403.17381.pdfConsultas más profundas