பலவீனமான அடிப்படைக் குறியீடுகள் மற்றும் அறிக்கையிடல் சார்பு, திரவம் தொடர்பான பகுதி வேறுபாடு சமன்பாடுகளின் இயந்திரக் கற்றலில் அதிகப்படியான நம்பிக்கைக்கு வழிவகுக்கிறது.

Nature.com ஐப் பார்வையிட்டதற்கு நன்றி. நீங்கள் பயன்படுத்தும் உலாவியின் பதிப்பில் CSS ஆதரவு குறைவாகவே உள்ளது. சிறந்த முடிவுகளுக்கு, உங்கள் உலாவியின் புதிய பதிப்பைப் பயன்படுத்துமாறு பரிந்துரைக்கிறோம் (அல்லது Internet Explorer இல் இணக்கத்தன்மை பயன்முறையை முடக்கவும்). இதற்கிடையில், தொடர்ச்சியான ஆதரவை உறுதிசெய்ய, ஸ்டைலிங் அல்லது ஜாவாஸ்கிரிப்ட் இல்லாமல் தளத்தைக் காட்டுகிறோம்.
கணக்கீட்டு இயற்பியலில் இயந்திர கற்றலின் மிகவும் நம்பிக்கைக்குரிய பயன்பாடுகளில் ஒன்று பகுதி வேறுபாடு சமன்பாடுகளின் (PDEs) துரிதப்படுத்தப்பட்ட தீர்வு ஆகும். இயந்திர கற்றல் அடிப்படையிலான பகுதி வேறுபாடு சமன்பாடு தீர்வியின் முக்கிய குறிக்கோள், அடிப்படை ஒப்பீடாகச் செயல்பட நிலையான எண் முறைகளை விட போதுமான வேகத்தில் துல்லியமான தீர்வுகளை உருவாக்குவதாகும். பகுதி வேறுபாடு சமன்பாடுகளைத் தீர்ப்பது குறித்த இயந்திர கற்றல் இலக்கியத்தின் முறையான மதிப்பாய்வை முதலில் நடத்துகிறோம். திரவ பகுதி வேறுபாடு சமன்பாடுகளைத் தீர்க்க ML இன் பயன்பாட்டைப் புகாரளிக்கும் மற்றும் நிலையான எண் முறைகளை விட மேன்மையைக் கோரும் அனைத்து ஆவணங்களிலும், பலவீனமான அடிப்படைகளுடன் ஒப்பிடும்போது 79% (60/76) ஐ நாங்கள் அடையாளம் கண்டோம். இரண்டாவதாக, பரவலான அறிக்கையிடல் சார்புக்கான ஆதாரங்களைக் கண்டறிந்தோம், குறிப்பாக விளைவு அறிக்கையிடல் மற்றும் வெளியீட்டு சார்புகளில். பகுதி வேறுபாடு சமன்பாடுகளைத் தீர்ப்பது குறித்த இயந்திர கற்றல் ஆராய்ச்சி மிகவும் நம்பிக்கையானது என்று நாங்கள் முடிவு செய்கிறோம்: பலவீனமான உள்ளீட்டுத் தரவு அதிகப்படியான நேர்மறையான முடிவுகளுக்கு வழிவகுக்கும், மேலும் அறிக்கையிடல் சார்பு எதிர்மறை முடிவுகளைக் குறைவாக அறிக்கையிட வழிவகுக்கும். பெரும்பாலும், இந்த சிக்கல்கள் கடந்தகால மறுஉருவாக்க நெருக்கடிகள் போன்ற காரணிகளால் ஏற்படுவதாகத் தெரிகிறது: புலனாய்வாளரின் விருப்புரிமை மற்றும் நேர்மறையான விளைவு சார்பு. சார்பு அறிக்கையிடலைக் குறைக்க கீழ்-மேல் கலாச்சார மாற்றத்தையும், அவ்வாறு செய்வதற்கான விபரீத ஊக்கங்களைக் குறைக்க மேல்-கீழ் கட்டமைப்பு சீர்திருத்தத்தையும் நாங்கள் அழைக்கிறோம்.
முறையான மதிப்பாய்வால் உருவாக்கப்பட்ட ஆசிரியர்கள் மற்றும் கட்டுரைகளின் பட்டியல், அத்துடன் சீரற்ற மாதிரியில் உள்ள ஒவ்வொரு கட்டுரையின் வகைப்பாடு ஆகியவை https://doi.org/10.17605/OSF.IO/GQ5B3 (குறிப்பு 124) இல் பொதுவில் கிடைக்கின்றன.
அட்டவணை 2 இல் உள்ள முடிவுகளை மீண்டும் உருவாக்கத் தேவையான குறியீட்டை GitHub இல் காணலாம்: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) மற்றும் Code Ocean இல்: https://codeocean.com/capsule/9605539/Tree/ v1 (இணைப்பு 126) மற்றும் https://codeocean.com/capsule/0799002/tree/v1 (இணைப்பு 127).
ராண்டால், டி., மற்றும் வெல்சர், கே., நவீன அறிவியலில் மறுஉருவாக்கமின்மை நெருக்கடி: சீர்திருத்தத்திற்கான காரணங்கள், விளைவுகள் மற்றும் பாதைகள் (தேசிய விஞ்ஞானிகள் சங்கம், 2018).
ரிச்சி, எஸ். அறிவியல் புனைகதை: மோசடி, சார்பு, மௌனம் மற்றும் மிகைப்படுத்தல் சத்தியத்திற்கான தேடலை எவ்வாறு பலவீனப்படுத்துகின்றன (விண்டேஜ், 2020).
திறந்த அறிவியல் ஒத்துழைப்பு. உளவியல் அறிவியலில் மறுஉருவாக்கத்தை மதிப்பிடுதல். அறிவியல் 349, AAAC4716 (2015).
பிரின்ஸ், எஃப்., ஸ்க்லாஞ்ச், டி., மற்றும் அசாதுல்லா, கே. நம்புவோமா இல்லையா: சாத்தியமான போதைப்பொருள் இலக்குகள் குறித்த வெளியிடப்பட்ட தரவுகளை நாம் எவ்வளவு நம்பலாம்? நேட். ரெவ். “மருந்துகளின் கண்டுபிடிப்பு.” 10, 712 (2011).
பெக்லி, கேஜி மற்றும் எல்லிஸ், எல்எம். முன் மருத்துவ புற்றுநோய் ஆராய்ச்சியில் தரநிலைகளை உயர்த்துதல். நேச்சர் 483, 531–533 (2012).
ஏ. கெல்மேன் மற்றும் ஈ. லோகன், தி கார்டன் ஆஃப் ஃபோர்கிங் பாத்ஸ்: வை மல்டிபிள் கம்பேரிஷன்ஸ் ஆர் எ பிராப்ளம் ஈவன் வித்தவுட் “ஃபிஷிங் எக்ஸ்பெடிஷன்ஸ்” அல்லது “பி-ஹேக்ஸ்” மற்றும் ப்ரீஃபார்ம் செய்யப்பட்ட ரிசர்ச் கருதுகோள்கள், தொகுதி. 348, 1–17 (புள்ளிவிவரத் துறை, 2013).
கரகியோர்கி, ஜி., கசெக்கா, ஜி., கிராவிட்ஸ், எஸ்., நாச்மேன், பி., மற்றும் ஷி, டி. புதிய அடிப்படை இயற்பியலைத் தேடி இயந்திரக் கற்றல். நேஷனல் டாக்டர் ஆஃப் பிஸிக்ஸ். 4, 399–412 (2022).
டாரா எஸ், டாமர்செர்லா எஸ், ஜாதவ் எஸ்எஸ், பாபு சிஎம் மற்றும் அஹ்சன் எம்ஜே. மருந்து கண்டுபிடிப்பில் இயந்திர கற்றல்: ஒரு மதிப்பாய்வு. அதிஃப். இன்டெல். பதிப்பு. 55, 1947–1999 (2022).
மாதர், ஏஎஸ் மற்றும் கூட், எம்எல் வேதியியலில் ஆழ்ந்த கற்றல். ஜே.வேதியியல். அறிவிக்கவும். மாதிரி. 59, 2545–2559 (2019).
ராஜ்கோமர் ஏ., டீன் ஜே. மற்றும் கோஹன் ஐ. மருத்துவத்தில் இயந்திர கற்றல். நியூ இங்கிலாந்து மருத்துவ இதழ். 380, 1347–1358 (2019).
கிரிம்மர் ஜே, ராபர்ட்ஸ் எம்இ. மற்றும் ஸ்டீவர்ட் பிஎம் சமூக அறிவியலில் இயந்திர கற்றல்: ஒரு அஞ்ஞான அணுகுமுறை. ரெவ். ஆன் பால். அறிவியல். 24, 395–419 (2021).
ஜம்ப், ஜே. மற்றும் பலர். ஆல்பாஃபோல்டைப் பயன்படுத்தி மிகவும் துல்லியமான புரத அமைப்பு கணிப்புகளைச் செய்யுங்கள். நேச்சர் 596, 583–589 (2021).
குண்டர்சன், ஓஇ, கோக்லி, கே., கிர்க்பாட்ரிக், கே., மற்றும் கில், ஒய். இயந்திர கற்றலில் மறுஉருவாக்கம் செய்ய முடியாததற்கான ஆதாரங்கள்: ஒரு மதிப்பாய்வு. https://arxiv.org/abs/2204.07610 (2022) இல் முன்பதிவில் கிடைக்கிறது.
ஸ்கல்லி, டி., ஸ்னூக், ஜே., வில்ட்ச்கோ, ஏ., மற்றும் ரஹிமி, ஏ. வெற்றியாளரின் சாபம்? அனுபவ ஆதாரங்களின் வேகம், முன்னேற்றம் மற்றும் கடுமை குறித்து (ICLR, 2018).
ஆம்ஸ்ட்ராங், டிஜி, மோஃபாட், ஏ., வெப்பர், டபிள்யூ., மற்றும் ஜோபெல், ஜே. சேர்க்கை அல்லாத மேம்பாடுகள்: 1998 முதல் ஆரம்ப தேடல் முடிவுகள். தகவல் மற்றும் அறிவு மேலாண்மை குறித்த 18வது ACM மாநாடு 601–610 (ACM 2009).
கபூர், எஸ். மற்றும் நாராயணன், ஏ. இயந்திர கற்றல் சார்ந்த அறிவியலில் கசிவு மற்றும் மறுஉருவாக்க நெருக்கடிகள். வடிவங்கள், 4, 100804 (2023).
கபூர் எஸ். மற்றும் பலர். சீர்திருத்தம்: இயந்திர கற்றலை அடிப்படையாகக் கொண்ட அறிவியல் அறிக்கையிடல் தரநிலைகள். https://arxiv.org/abs/2308.07832 (2023) இல் முன்பதிவைப் பெறலாம்.
டிமாசி, ஓ., கார்டிங், சி., மற்றும் ரெக்ட், பி. அர்த்தமற்ற ஒப்பீடுகள் மருத்துவ இயந்திர கற்றலில் தவறான நம்பிக்கைக்கு வழிவகுக்கும். PLoS ONE 12, e0184604 (2017).
ராபர்ட்ஸ், எம்., மற்றும் பலர். மார்பு எக்ஸ்-கதிர்கள் மற்றும் கம்ப்யூட்டட் டோமோகிராஃபி மூலம் COVID-19 ஐக் கண்டறிந்து கணிக்க இயந்திரக் கற்றலைப் பயன்படுத்துவதற்கான பொதுவான சிக்கல்கள் மற்றும் சிறந்த நடைமுறைகள். நேட். மேக்ஸ். இன்டெல். 3, 199–217 (2021).
வினான்ஸ் எல். மற்றும் பலர். கோவிட்-19 நோயறிதல் மற்றும் முன்கணிப்புக்கான முன்கணிப்பு மாதிரிகள்: ஒரு முறையான மதிப்பாய்வு மற்றும் விமர்சன மதிப்பீடு. BMJ 369, m1328 (2020).
வேலன் எஸ்., ஷ்ரைபர் ஜே., நோபல் டபிள்யூஎஸ் மற்றும் போலார்ட் கேஎஸ். மரபணுவியலில் இயந்திரக் கற்றலைப் பயன்படுத்துவதில் உள்ள சிக்கல்களை சமாளித்தல். நேட். பாஸ்டர் ஜினெட். 23, 169–181 (2022).
அட்ரிஸ் என். மற்றும் பலர். வேதியியலில் இயந்திர கற்றலுக்கான சிறந்த நடைமுறைகள். நேஷனல் கெமிக்கல். 13, 505–508 (2021).
பகுதி வேறுபாடு சமன்பாடுகளின் இயந்திர கற்றலுக்கான நம்பிக்கைக்குரிய வழிமுறைகள். தேசிய கணக்கீடு. அறிவியல். 4, 483–494 (2024).
வினுசா, ஆர். மற்றும் பிரண்டன், எஸ்.எல். இயந்திர கற்றல் மூலம் கணக்கீட்டு திரவ இயக்கவியலை மேம்படுத்துதல். தேசிய கணக்கீடு. அறிவியல். 2, 358–366 (2022).
கோமேவ், எஸ். மற்றும் பலர். உடல் ரீதியாக தகவலறிந்த நரம்பியல் நெட்வொர்க்குகளுடன் அறிவியல் இயந்திர கற்றல்: நாம் இப்போது எங்கே இருக்கிறோம், அடுத்து என்ன. ஜே. அறிவியல். கணக்கிடுங்கள். 92, 88 (2022).
துரைசாமி, கே., யக்காரினோ, ஜி., மற்றும் சியாவோ, எச். தரவு சகாப்தத்தில் டர்புலன்ஸ் மாடலிங். ஆன். 51, 357–377 (2019) இன் திருத்தப்பட்ட பதிப்பு.
துர்ரான், டி.ஆர். புவி இயற்பியல் ஹைட்ரோடைனமிக்ஸில் அலை சமன்பாடுகளைத் தீர்ப்பதற்கான எண் முறைகள், தொகுதி 32 (ஸ்பிரிங்கர், 2013).
மிஸ்ரா, எஸ். வேறுபட்ட சமன்பாடுகளின் தரவு சார்ந்த கணக்கீட்டை விரைவுபடுத்துவதற்கான ஒரு இயந்திர கற்றல் கட்டமைப்பு. கணிதம். பொறியாளர். https://doi.org/10.3934/Mine.2018.1.118 (2018).
கொச்சிகோவ் டி. மற்றும் பலர். இயந்திர கற்றல் - கணக்கீட்டு திரவ இயக்கவியலின் முடுக்கம். செயல்முறை. தேசிய அறிவியல் அகாடமி. அறிவியல். US 118, e2101784118 (2021).
கடப்பா, கே. கணினி அறிவியல் மற்றும் பொறியியலுக்கான இயந்திர கற்றல் - ஒரு சுருக்கமான அறிமுகம் மற்றும் சில முக்கிய சிக்கல்கள். முன்பதிவை https://arxiv.org/abs/2112.12054 (2021) இல் காணலாம்.
ரோஸ், ஏ., லி, இசட்., பெரெஷோகின், பி., பெர்னாண்டஸ்-கிராண்டா, சி., மற்றும் ஜன்னா, எல். இலட்சியப்படுத்தப்பட்ட மாதிரிகளில் இயந்திர கற்றல் கடல் துணை கட்ட அளவுருவாக்கத்தின் ஒப்பீட்டு பகுப்பாய்வு. ஜே. அட்வ். மாதிரி. பூமி அமைப்பு. 15. e2022MS003258 (2023).
லிப்பே, பி., வைலிங், பி., பெர்டிகாரிஸ், பி., டர்னர், ஆர்., மற்றும் பிராண்ட்ஸ்டெட்டர், ஜே. பி.டி.இ. சுத்திகரிப்பு: ஒரு நரம்பியல் பி.டி.இ. தீர்வி மூலம் துல்லியமான நீண்ட வெளியேற்றங்களை அடைதல். நரம்பியல் தகவல் செயலாக்க அமைப்புகள் குறித்த 37வது மாநாடு (நியூரிஐபிஎஸ் 2023).
ஃப்ராச்சாஸ், பி.ஆர் மற்றும் பலர். சிக்கலான இடஞ்சார்ந்த தற்காலிக இயக்கவியலை முன்னறிவிப்பதற்கான தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகளில் பின்னோக்கி பரவல் வழிமுறை மற்றும் நீர்த்தேக்க கணக்கீடு. நரம்பியல் நெட்வொர்க். 126, 191–217 (2020).
ரைசி, எம்., பெர்டிகாரிஸ், பி. மற்றும் கர்னியாடகிஸ், ஜிஇ இயற்பியல், கணினி அறிவியல், நரம்பியல் நெட்வொர்க்குகள்: நேரியல் அல்லாத பகுதி வேறுபாடு சமன்பாடுகளை உள்ளடக்கிய முன்னோக்கி மற்றும் தலைகீழ் சிக்கல்களைத் தீர்ப்பதற்கான ஒரு ஆழமான கற்றல் கட்டமைப்பு. ஜே. கணினி. இயற்பியல். 378, 686–707 (2019).
கிராஸ்மேன், டிஜி, கோமரோவ்ஸ்கா, யுஜே, லூட்ஸ், ஜே., மற்றும் ஸ்கோன்லீப், கே.-பி. இயற்பியல் அடிப்படையிலான நரம்பியல் நெட்வொர்க்குகள் வரையறுக்கப்பட்ட தனிம முறைகளை விட சிறப்பாக செயல்பட முடியுமா? ஐஎம்ஏ ஜே. பயன்பாடுகள். கணிதம். 89, 143–174 (2024).
டெ லா மாட்டா, எஃப்எஃப், கிஜோன், ஏ., மோலினா-சோலானா, எம்., மற்றும் கோமெஸ்-ரோமெரோ, ஜே. தரவு சார்ந்த மாதிரியாக்கத்திற்கான இயற்பியல் அடிப்படையிலான நரம்பியல் நெட்வொர்க்குகள்: நன்மைகள், வரம்புகள் மற்றும் வாய்ப்புகள். இயற்பியல். ஏ 610, 128415 (2023).
ஜுவாங், பி.-ஒய். & பார்பா, LA திரவ மாதிரியாக்கத்தில் இயற்பியல் அடிப்படையிலான நரம்பியல் நெட்வொர்க்குகள் பற்றிய அனுபவ அறிக்கை: ஆபத்துகள் மற்றும் ஏமாற்றங்கள். https://arxiv.org/abs/2205.14249 (2022) இல் முன்பதிவில் கிடைக்கிறது.
ஜுவாங், பி.-ஒய். மற்றும் பார்பா, LA சுழல் உருவாக்கத்தில் உடல் ரீதியாக தகவலறிந்த நரம்பியல் நெட்வொர்க்குகளின் முன்கணிப்பு வரம்புகள். https://arxiv.org/abs/2306.00230 (2023) இல் முன்பதிவில் கிடைக்கிறது.
வாங், எஸ்., யூ, எச்., மற்றும் பெர்டிகாரிஸ், பி. பின்கள் எப்போது மற்றும் ஏன் பயிற்சி பெறத் தவறிவிடுகின்றன: ஒரு நரம்பியல் தொடுகோடு கரு பார்வை. ஜே. கணினி. இயற்பியல். 449, 110768 (2022).
கிருஷ்ணபிரியன், ஏ., கோலாமி, ஏ., ஜே, எஸ்., கிர்பி, ஆர்., மற்றும் மஹோனி, மெகாவாட் இயற்பியல் தகவல் நரம்பியல் நெட்வொர்க்குகளில் சாத்தியமான தோல்வி முறைகளின் பண்புகள். நரம்பியல் தகவல் செயலாக்க அமைப்புகள் பற்றிய 35வது மாநாடு தொகுதி. 34, 26548–26560 (நியூரிஐபிஎஸ் 2021).
பாசிர், எஸ். மற்றும் செனோகாக், ஐ. இயற்பியல் அடிப்படையிலான நரம்பியல் நெட்வொர்க்குகளில் தோல்வி முறைகள் பற்றிய ஒரு விமர்சன ஆய்வு. AiAA SCITECH 2022 மன்றம் 2353 இல் (ARK, 2022).
கர்ணகோவ் பி., லிட்வினோவ் எஸ். மற்றும் கௌமௌட்சகோஸ் பி. தனித்துவமான இழப்புகளை மேம்படுத்துவதன் மூலம் உடல் தலைகீழ் சிக்கல்களைத் தீர்ப்பது: நரம்பியல் நெட்வொர்க்குகள் இல்லாமல் வேகமான மற்றும் துல்லியமான கற்றல். செயல்முறை. தேசிய அறிவியல் அகாடமி. அறிவியல். Nexus 3, pgae005 (2024).
குண்டர்சன் OE மறுஉருவாக்கத்தின் அடிப்படைக் கொள்கைகள். பில்.கிராஸ். ஆர். ஷுக்கர். A 379, 20200210 (2021).
அரோமாடாரிஸ் இ மற்றும் பியர்சன் ஏ. முறையான மதிப்புரைகள்: ஒரு கண்ணோட்டம். ஆம். ஜே. நர்சிங் 114, 53–58 (2014).
மகியேரா, ஜே., ரே, டி., ஹெஸ்தவன், ஜே.எஸ்., மற்றும் ரோட், கே. ரீமன் பிரச்சனைக்கான கட்டுப்பாடு-விழிப்புணர்வு நரம்பியல் நெட்வொர்க்குகள். ஜே. கணினி. இயற்பியல். 409, 109345 (2020).
பெஸ்கின் டிஏ, ஷ்மிட் எஸ்ஜே மற்றும் ஆடம்ஸ் என்ஏ. கிளாசிக்கல் அல்லாத குறைக்கப்பட்ட மின்னழுத்த அதிர்ச்சிகளுக்கான தரவு சார்ந்த இயற்பியல் ரீதியாக அறிவிக்கப்பட்ட வரையறுக்கப்பட்ட தொகுதி சுற்று. ஜே. கணினி. இயற்பியல். 437, 110324 (2021).