Breaking the Ice Between Machine Learning Experts and Cryosphere Scientists - The ML4Cryo Research Community
Notice bibliographique
Résumé
Recently, Machine Learning (ML) has emerged as a powerful tool within cryospheric sciences, offering innovative and effective solutions for observing, modelling, and understanding Earth's frozen regions. However, the ML and cryosphere communities have traditionally been poles apart, each shaped by distinct research motivations, publishing paradigms, and evaluation criteria. These research silos can lead to common pitfalls of interdisciplinary research, such as "helicopter science", insights getting lost in translation, or the continued use of outdated (ML) methods. To fully harness the compelling opportunities for impactful research at the intersection of these two fields, machine learning practitioners and domain scientists must join forces. To address this gap between machine learning and cryosphere research, we established ML4Cryo (Machine Learning for the Cryosphere, see https://ml4cryo.github.io/), a global research community that leverages collective expertise across diverse fields such as deep learning, physics-informed ML, remote sensing, and both terrestrial and marine cryospheric domains. Our goal is not only to advance scientific discovery but also to foster application-driven advances in machine learning research. ML4Cryo aims to empower researchers by initiating conversations and collaborations, enabling machine learning specialists to learn about the most pressing challenges within the cryosphere, while cryosphere researchers can learn about the state-of-the-art models developed by the ML community. Contributing to ML4Cryo’s mission, our platform serves as a community-driven hub to share and discover ideas, recent publications, tools, software, datasets, knowledge resources, funding opportunities, best practices, as well as relevant conferences and events. We invite you to join ML4Cryo, where the synergy between machine learning and cryospheric science paves the way for impactful and rewarding research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,037 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,010 | 0,026 |
| Science ouverte | 0,004 | 0,024 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,018 |
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 source (Gemma direct ou Codex distillé), 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 ».