Статистика по исследованиям в области ансамблевых методов

Организации, наиболее часто упоминаемые в исследованиях о ML

География исследований, в которых упоминается ML-алгоритм «Яндекса» CatBoost

Страны, наиболее активно занимающиеся исследованиями в области ML

Объем научных статей и применяемых ML-инструментов по странам и регионам

Статистика по исследованиям в области ML

Статистика по исследованиям в области нейросетей

Статистика по исследованиям в области ансамблевых методов

Организации, наиболее часто упоминаемые в исследованиях о ML

География исследований, в которых упоминается ML-алгоритм «Яндекса» CatBoost

Страны, наиболее активно занимающиеся исследованиями в области ML

Объем научных статей и применяемых ML-инструментов по странам и регионам

Статистика по исследованиям в области ML

Статистика по исследованиям в области нейросетей

Статистика по исследованиям в области ансамблевых методов

1/7

Американское издание MarkTechPost изучило, как машинное обучение исследуется мировым научным сообществом. Для этого было проанализировано 5 тыс. статей, связанных с ML, в журналах Nature. Авторы определили инноваторов, наиболее популярные инструменты и страны, которые чаще всего публиковали работы.

Ключевые выводы:

• авторы исследования назвали инноваторами 30 организаций по всему миру. Среди них — российский «Яндекс», американские Intel, Microsoft и Google, немецкий Bosch, китайские Huawei, Baidu и южнокорейский Samsung;
• алгоритм машинного обучения CatBoost (Categorical Boosting) от «Яндекса» стал одним из наиболее популярных европейских ML-инструментов в научных статьях. Его упоминали в 188 публикациях: 32% из них приходятся на Китай, 19% — на Саудовскую Аравию, 18% — на Индию, 13% — на США;
• наряду с CatBoost из Европы отмечены Scikit-Learn (Франция), U-Net (Германия) и AlphaFold (Великобритания);
• больше всего исследований по ML опубликовали Китай (43%), США (18%), Индия (11%), Саудовская Аравия (8%) и Великобритания (6%); 
• как отмечают аналитики, несмотря на лидерство Китая по числу публикаций, у страны нет инструментов машинного обучения, которые использовались бы в академических исследованиях. При этом на США приходится 90% всех ML-инструментов, которые применялись исследователями. По мнению MarkTechPost, страна остается мировым центром разработки фреймворков для машинного обучения;
• по замечаниям авторов, в Китае исследования более концентрированы (2,6 организации на статью), что указывает на наличие специализированных центров с высокой производительностью. В США наблюдается более широкое сотрудничество (4,1 организации на статью), отражающее наличие прочных межуниверситетских связей;
• классическое машинное обучение изучается в 2,4 тыс. работ. Основные инструменты — Random Forest (62%), SVM (58%) и Scikit-Learn (6%). Нейросети изучаются в 1,8 тыс. научных статей. Чаще всего встречаются такие решения, как Transformer (62%), CNN (49%) и ResNet (26%). На ансамблевые методы приходится 1,3 тыс. публикаций. Преимущественно используются XGBoost (74%), Gradient Boosting Model (49%) и LightGBM (19%).

Расскажите знакомым: