抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
管理者は,より多くのデータを収集することが,それらの機械学習モデルの精度を絶えず改善すると信じる。しかし,本論文では,データが時間に対して関連性を失うとき,より古い(関連のない)データの無限供給の周りを保つ代わりに,限られた量の最近のデータを収集することが最適であると主張した。さらに,より古いデータセットを含むデータストックの増加は,実際に,モデルの正確性を損傷するかもしれないと主張する。予想して,モデルの正確度は,データ(データ収集速度として定義)の流れを増加させることによって改善された。しかし,リフレッシュまたは再訓練機械学習モデルに関して,より頻繁に他のトレードオフを必要とする。これらの結果を用いて,機械学習モデルによって作成されたビジネス価値が,データによってどのようにスケールするか,そして,データのストックが持続可能な競争優位性を確立するかを調査した。データの時間依存性は,データのストックが創造する侵入に対する障壁を弱めることを論じた。結果として,限られた(十分な)量の最近のデータを備えた競合企業は,より正確なモデルを開発することができる。この結果は,古いデータセットがモデルの正確性を劣化させるという事実と結び付けて,企業がデータリポジトリからの関連データが少ないならば,創造されたビジネス価値が利用可能なデータのストックとはスケールしないことを示唆する。その結果,企業の成長政策は,歴史的データのストックと新しいデータの流れの間のバランスを組み込むべきである。この理論結果を実験で補完した。実験では,様々な期間からデータセット上で訓練された次の単語予測モデルの精度における損失を経験的に測定する。著者らの経験的測定は,時間とともに価値低下の経済的重要性を確認した。例えば,7年後のテキストデータの100MBは,次の単語予測タスクのための現在のデータの50MBとして貴重になる。【JST・京大機械翻訳】