¿Cómo justificar la selección del algoritmo existente para una nueva área de aplicación?

Entonces, encontré una aplicación que podría beneficiarse de un algoritmo de aprendizaje automático:

Existe un método bastante estándar en mi área de investigación para el diseño de experimentos y he descubierto que un paso podría automatizarse para ahorrar tiempo. La automatización se puede realizar con una variedad de algoritmos estándar de aprendizaje automático y he seleccionado uno que:

  1. se usa bastante a menudo, según la literatura
  2. proporciona resultados muy satisfactorios (alta precisión) en mis datos

Actualmente estoy escribiendo un artículo sobre mis hallazgos. Mi pregunta es, ¿ cómo podría descartar las alternativas o al menos justificar mi elección (por ejemplo, en la sección "trabajo relacionado") frente a otros algoritmos que posiblemente podrían funcionar mejor/ser más adecuados ?

Teniendo en cuenta que el aprendizaje automático no es mi habilidad más fuerte, he intentado implementar la mayoría de los otros algoritmos de última generación para comparar, pero para algunos de ellos simplemente no tengo el conocimiento para hacerlo.

*Mi pregunta es similar a esta: ¿ Cuál es la mejor manera de justificar su elección de métodos de referencia para trabajos académicos? , pero la diferencia es que la novedad de mi artículo es sobre la nueva área de aplicación, en lugar de un nuevo algoritmo.

En mi opinión, cuánto de su tiempo desea dedicar a la exploración de los métodos depende de cómo posicione su contribución (en cualquier caso, es útil consultar la revista en la que desea enviar su investigación para ver cómo se proponen nuevos métodos). se hace en su dominio de aplicación) Aunque no creo que la elección de un método de aprendizaje automático específico pueda justificarse teóricamente, debido a que la aplicación del aprendizaje automático es más un arte, hay muchos factores diferentes que pueden contribuir a la elección de un método particular y sus parámetros.
¿Cuál es su campo de investigación (por ejemplo, informática)? El mejor consejo depende mucho de las expectativas de las publicaciones en su dominio particular.
Para este escenario específico, estoy trabajando con la fabricación de datos de series temporales y estoy tratando de hacer algún tipo de partición automatizada de una señal. Así que hay muchas maneras de hacerlo y he encontrado una que funciona satisfactoriamente bien. ¿Cómo procedo sin tener que comparar con todas las alternativas? Puedo dedicar algo de tiempo a explorar alternativas, pero no tengo los antecedentes necesarios para profundizar mucho (lo que significa que es difícil para mí implementar algoritmos de documentos con muchas matemáticas).

Respuestas (1)

Existe un método bastante estándar en mi área de investigación para el diseño de experimentos y he descubierto que un paso podría automatizarse para ahorrar tiempo. La automatización se puede realizar con una variedad de algoritmos estándar de aprendizaje automático y he seleccionado uno que:

Parece que está resolviendo un problema en su campo que nunca antes se había abordado utilizando algoritmos de aprendizaje automático, y es el primero en probar este enfoque.

se usa con bastante frecuencia, según la literatura brinda resultados muy satisfactorios (alta precisión) en mis datos

La aplicación de dicho algoritmo de aprendizaje automático le ha brindado buenos resultados, donde asumo que bueno significa al menos lo suficientemente bueno como lo más avanzado en el campo.

Mi pregunta es, ¿cómo podría descartar las alternativas o al menos justificar mi elección (por ejemplo, en la sección "trabajo relacionado") frente a otros algoritmos que posiblemente podrían funcionar mejor/ser más adecuados?

Si mis suposiciones anteriores son correctas, entonces la principal contribución de su artículo es resolver un problema conocido de una manera novedosa. Este es un logro suficientemente bueno que no necesita ser justificado. Parece que su único problema es convencer a una comunidad de académicos que normalmente no están expuestos al aprendizaje automático, que su elección es razonable (NO óptima) y que sus resultados son sólidos.

En el aprendizaje automático, tanto en la academia como en la industria, a menudo te encuentras usando un modelo que es lo suficientemente bueno : no tiene que ser el mejor ni el más complejo; lo que tiene que hacer es hacer el trabajo correctamente y dar resultados interesantes. Todo lo que tiene que hacer en su artículo es explicar el algoritmo y mostrar por qué los resultados son sólidos.

Después de obtener un poco más de experiencia en el campo específicamente y el aprendizaje automático en general desde que publiqué las preguntas, personalmente estoy de acuerdo con su respuesta y la conclusión de que es lo suficientemente bueno . Además, hace mucho tiempo que presenté el documento siguiendo este enfoque al final, es decir, tratando de probar por qué los resultados son beneficiosos, confiables y la metodología de investigación antes de llegar a esta selección de algoritmo. ¡Aceptaré su respuesta porque creo que me habría ayudado mucho si se hubiera publicado hace un año! :)
@DimP gracias, desafortunadamente respondí tan pronto como vi esto, sabiendo que era demasiado tarde para ti, pero esperando que ayudara a otros. Estuve en una situación similar años antes y tuve que luchar mucho para que aceptaran un artículo de este tipo, pero fue una lucha beneficiosa para el campo. ¡Me alegra saber que has tenido éxito con él!
¿Cómo justificar la selección del algoritmo existente para una nueva área de aplicación?
RespuestasAquíPolítica de privacidad1y, 0v