Core Concepts
Wissensgeleitetes maschinelles Lernen kombiniert wissenschaftliches Wissen und Daten, um die Verallgemeinerbarkeit, wissenschaftliche Konsistenz und Erklärbarkeit von Ergebnissen zu verbessern.
Abstract
Dieser Artikel gibt einen Überblick über das wissenschaftliche Modellieren und diskutiert die komplementären Stärken und Schwächen von ML-Methoden im Vergleich zu prozessbasierten Modellen für das wissenschaftliche Modellieren. Er bietet auch eine Einführung in den aktuellen Stand der Forschung im aufstrebenden Bereich des wissenschaftlichen wissensgeleiteten maschinellen Lernens (KGML), das darauf abzielt, sowohl wissenschaftliches Wissen als auch Daten in ML-Frameworks zu nutzen, um eine bessere Verallgemeinerbarkeit, wissenschaftliche Konsistenz und Erklärbarkeit der Ergebnisse zu erreichen.
Die verschiedenen Facetten der KGML-Forschung werden in Bezug auf die Art des verwendeten wissenschaftlichen Wissens, die Form der Wissens-ML-Integration und die Methode zur Einbeziehung des wissenschaftlichen Wissens in ML diskutiert. Außerdem werden einige der gängigen Anwendungsfälle in den Umweltwissenschaften beschrieben, in denen KGML-Methoden entwickelt werden, unter Verwendung von Beispielen in jeder Kategorie.
Stats
Keine relevanten Statistiken oder Kennzahlen identifiziert.
Quotes
Keine markanten Zitate identifiziert.