論文の概要: Topic Diffusion Discovery Based on Deep Non-negative Autoencoder
- arxiv url: http://arxiv.org/abs/2010.03710v1
- Date: Thu, 8 Oct 2020 00:58:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 11:50:25.675253
- Title: Topic Diffusion Discovery Based on Deep Non-negative Autoencoder
- Title（参考訳）: 深部非負オートエンコーダに基づく話題拡散検出
- Authors: Sheng-Tai Huang, Yihuang Kang, Shao-Min Hung, Bowen Kuo, I-Ling Cheng
- Abstract要約: 本稿では,話題拡散の監視に情報分散計測を用いたディープ非負のオートエンコーダを提案する。
提案手法は,研究トピックの進化と,オンライン手法による話題拡散の発見を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Researchers have been overwhelmed by the explosion of research articles
published by various research communities. Many research scholarly websites,
search engines, and digital libraries have been created to help researchers
identify potential research topics and keep up with recent progress on research
of interests. However, it is still difficult for researchers to keep track of
the research topic diffusion and evolution without spending a large amount of
time reviewing numerous relevant and irrelevant articles. In this paper, we
consider a novel topic diffusion discovery technique. Specifically, we propose
using a Deep Non-negative Autoencoder with information divergence measurement
that monitors evolutionary distance of the topic diffusion to understand how
research topics change with time. The experimental results show that the
proposed approach is able to identify the evolution of research topics as well
as to discover topic diffusions in online fashions.
- Abstract（参考訳）: 研究者は様々な研究コミュニティが発行する研究論文の爆発に圧倒されている。
多くの学術ウェブサイト、検索エンジン、デジタルライブラリーが作成され、研究者が潜在的研究トピックを特定し、関心の研究の最近の進展に追随するのに役立つ。
しかし,多くの関連記事や無関係記事のレビューに多くの時間を費やすことなく,研究トピックの拡散と進化を追跡することはいまだに困難である。
本稿では,新しい話題拡散発見手法について考察する。
具体的には,研究トピックが時間とともにどのように変化するかを理解するために,話題拡散の進化距離をモニタする情報分散測定を用いたディープ非負のオートエンコーダを提案する。
実験の結果,提案手法は,研究トピックの進化を識別し,オンラインファッションにおける話題拡散を発見できることがわかった。
関連論文リスト
- A Survey Forest Diagram : Gain a Divergent Insight View on a Specific Research Topic [2.699900017799093]
情報検索や質問応答におけるジェネレーティブAIの利用は,研究調査の実施に人気がある。
本研究は,本研究を対象とする未成年研究者を対象とした詳細な調査林図を作成することを目的としている。
論文 参考訳（メタデータ） (2024-07-24T08:17:37Z) - Fish-bone diagram of research issue: Gain a bird's-eye view on a specific research topic [11.556954590485319]
本研究の目的は、因果関係を含む魚骨図を提供することによって、初心者研究者を支援することである。
それは、関連性および論理的要因に基づいて、研究分野の幅広い、高度に一般化された視点を提供する。
論文 参考訳（メタデータ） (2024-04-30T05:43:41Z) - ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
ResearchAgentは、大規模言語モデルによる研究アイデア作成エージェントである。
科学文献に基づいて繰り返し精製しながら、問題、方法、実験設計を生成する。
我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
論文 参考訳（メタデータ） (2024-04-11T13:36:29Z) - A Diachronic Analysis of Paradigm Shifts in NLP Research: When, How, and
Why? [84.46288849132634]
本稿では、因果発見と推論技術を用いて、科学分野における研究トピックの進化を分析するための体系的な枠組みを提案する。
我々は3つの変数を定義し、NLPにおける研究トピックの進化の多様な側面を包含する。
我々は因果探索アルゴリズムを用いてこれらの変数間の因果関係を明らかにする。
論文 参考訳（メタデータ） (2023-05-22T11:08:00Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - Researching Alignment Research: Unsupervised Analysis [14.699455652461726]
AIアライメント研究は、人工知能(AI)が人間に利益をもたらすことを保証することを目的としている。
このプロジェクトでは、既存のAIアライメント研究を収集、分析した。
フィールドは急速に成長しており、いくつかのサブフィールドが平行して出現している。
論文 参考訳（メタデータ） (2022-06-06T18:24:17Z) - Characterising Research Areas in the field of AI [68.8204255655161]
トピックの共起ネットワーク上でクラスタリング分析を行うことで,主要な概念テーマを特定した。
その結果は、ディープラーニングや機械学習、物のインターネットといった研究テーマに対する学術的関心の高まりを浮き彫りにしている。
論文 参考訳（メタデータ） (2022-05-26T16:30:30Z) - Research on Domain Information Mining and Theme Evolution of Scientific
Papers [5.747583451398117]
学際的な研究成果は次第に新たなフロンティア研究の方向性になりつつある。
研究者を支援するために、膨大な数の科学論文を効果的に活用する方法は、課題になる。
論文 参考訳（メタデータ） (2022-04-18T14:36:17Z) - A Search Engine for Scientific Publications: a Cybersecurity Case Study [0.7734726150561086]
本研究は,情報検索と読解アルゴリズムを組み合わせた科学出版のための新しい検索エンジンを提案する。
提案手法は,サイバーセキュリティの文脈に適用されているものの,高度な一般化能力を示し,他の異なる知識領域の下で容易に適用可能である。
論文 参考訳（メタデータ） (2021-06-30T20:10:04Z) - Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。
我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文 参考訳（メタデータ） (2020-07-06T02:21:16Z) - Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。
既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。
本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文 参考訳（メタデータ） (2020-03-16T02:47:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。