MétaCan
Menu
Retour à la cohorte
Enregistrement W3040460291 · doi:10.1371/journal.pcbi.1009803

Ten quick tips for deep learning in biology

2022· article· en· W3040460291 sur OpenAlexaff
Benjamin D. Lee, Anthony Gitter, Casey S. Greene, Sebastian Raschka, Finlay Maguire, Alexander Titus, Michael D. Kessler, Alexandra Lee, Marc G. Chevrette, Paul A. Stewart, Thiago Britto‐Borges, Evan M. Cofer, Kun‐Hsing Yu, Juan J. Carmona, Elana J. Fertig, Alexandr A. Kalinin, Beth Signal, Benjamin J. Lengerich, Timothy J. Triche, Simina M. Boca

Notice bibliographique

RevuePLoS Computational Biology · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetics, Bioinformatics, and Biomedical Research
Établissements canadiensDalhousie University
Organismes subventionnairesNational Institute of Dental and Craniofacial ResearchNational Institute of Allergy and Infectious DiseasesNational Institute of General Medical SciencesNational Cancer InstituteNational Institutes of HealthNational Institute of Food and AgricultureNational Heart, Lung, and Blood InstituteAllegheny Health NetworkNational Science Foundation of Sri LankaMoffitt Cancer CenterLustgarten FoundationGrand Rapids Community FoundationGordon and Betty Moore FoundationNational Human Genome Research InstituteHope FoundationU.S. Department of AgricultureNational Science Foundation
Mots-clésArtificial intelligenceDeep learningMachine learningComputer scienceContext (archaeology)Active learning (machine learning)Task (project management)Instance-based learningSet (abstract data type)Data scienceEngineering

Résumé

récupéré en direct d'OpenAlex

applications of algorithms that

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,633
Score d'incertitude au seuil0,503

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,024
Tête enseignante GPT0,308
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS Computational BiologyMême sujetGenetics, Bioinformatics, and Biomedical ResearchTravaux en français237 207