Post-Workshop Report on Science meets Engineering in Deep Learning,\n NeurIPS 2019, Vancouver
Notice bibliographique
Résumé
Science meets Engineering in Deep Learning took place in Vancouver as part of\nthe Workshop section of NeurIPS 2019. As organizers of the workshop, we created\nthe following report in an attempt to isolate emerging topics and recurring\nthemes that have been presented throughout the event. Deep learning can still\nbe a complex mix of art and engineering despite its tremendous success in\nrecent years. The workshop aimed at gathering people across the board to\naddress seemingly contrasting challenges in the problems they are working on.\nAs part of the call for the workshop, particular attention has been given to\nthe interdependence of architecture, data, and optimization that gives rise to\nan enormous landscape of design and performance intricacies that are not\nwell-understood. This year, our goal was to emphasize the following directions\nin our community: (i) identify obstacles in the way to better models and\nalgorithms; (ii) identify the general trends from which we would like to build\nscientific and potentially theoretical understanding; and (iii) the rigorous\ndesign of scientific experiments and experimental protocols whose purpose is to\nresolve and pinpoint the origin of mysteries while ensuring reproducibility and\nrobustness of conclusions. In the event, these topics emerged and were broadly\ndiscussed, matching our expectations and paving the way for new studies in\nthese directions. While we acknowledge that the text is naturally biased as it\ncomes through our lens, here we present an attempt to do a fair job of\nhighlighting the outcome of the workshop.\n
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».