論文の概要: Hierarchical Interdisciplinary Topic Detection Model for Research Proposal Classification

• arxiv url: http://arxiv.org/abs/2209.13519v1
• Date: Fri, 16 Sep 2022 16:59:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:23:43.507263
• Title: Hierarchical Interdisciplinary Topic Detection Model for Research Proposal Classification
• Title（参考訳）: 研究提案分類のための階層型学際トピック検出モデル
• Authors: Meng Xiao, Ziyue Qiao, Yanjie Fu, Hao Dong, Yi Du, Pengyang Wang, Hui Xiong, Yuanchun Zhou
• Abstract要約: 深層階層型学際研究提案分類ネットワーク(HIRPCN)を開発した。 まず,提案手法のテキスト意味情報を抽出する階層変換器を提案する。 次に、学際グラフを設計し、GNNを活用して各分野の表現を学習する。
• 参考スコア（独自算出の注目度）: 33.06389455749012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The peer merit review of research proposals has been the major mechanism for deciding grant awards. However, research proposals have become increasingly interdisciplinary. It has been a longstanding challenge to assign interdisciplinary proposals to appropriate reviewers, so proposals are fairly evaluated. One of the critical steps in reviewer assignment is to generate accurate interdisciplinary topic labels for proposal-reviewer matching. Existing systems mainly collect topic labels manually generated by principal investigators. However, such human-reported labels can be non-accurate, incomplete, labor intensive, and time costly. What role can AI play in developing a fair and precise proposal reviewer assignment system? In this study, we collaborate with the National Science Foundation of China to address the task of automated interdisciplinary topic path detection. For this purpose, we develop a deep Hierarchical Interdisciplinary Research Proposal Classification Network (HIRPCN). Specifically, we first propose a hierarchical transformer to extract the textual semantic information of proposals. We then design an interdisciplinary graph and leverage GNNs for learning representations of each discipline in order to extract interdisciplinary knowledge. After extracting the semantic and interdisciplinary knowledge, we design a level-wise prediction component to fuse the two types of knowledge representations and detect interdisciplinary topic paths for each proposal. We conduct extensive experiments and expert evaluations on three real-world datasets to demonstrate the effectiveness of our proposed model.
• Abstract（参考訳）: 研究提案の査定は、賞の授与を決定する主要なメカニズムである。 しかし、研究提案はますます学際的になっている。 学際的な提案を適切なレビュアーに割り当てることは長年の課題であり、提案はかなり評価されている。 レビューアの割り当てにおける重要なステップの1つは、提案-レビューアマッチングのための正確な学際的なトピックラベルを生成することである。 既存のシステムは、主にプリンシパル調査員が手動で作成したトピックラベルを収集する。 しかし、このような人間報告ラベルは不正確、不完全、労働集約的、時間的コストがかかる。 公正かつ正確な提案レビュアー割り当てシステムの開発において、AIはどのような役割を果たすのか? 本研究では,中国国立科学財団と協力して,学際的トピックパス自動検出の課題に取り組む。 本研究の目的は,階層型研究提案分類ネットワーク(HIRPCN)を構築することである。 具体的には,まず提案のテキスト意味情報を抽出する階層的トランスフォーマを提案する。 次に、学際グラフを設計し、学際知識を抽出するために各分野の表現を学習するためにgnnを利用する。 セマンティクスと学際知識を抽出した後,2種類の知識表現を融合し,各提案の学際的トピックパスを検出するレベルワイズ予測コンポーネントを設計した。 提案モデルの有効性を実証するために,実世界の3つのデータセットに関する広範な実験と専門家評価を行った。

関連論文リスト

• Good Idea or Not, Representation of LLM Could Tell [86.36317971482755]
  我々は、大規模言語モデルの知識を活用し、科学的アイデアのメリットを評価することを目的としたアイデアアセスメントに焦点をあてる。 我々は、このタスクに対する様々なアプローチのパフォーマンスを訓練し評価するために、細心の注意を払って設計された、フルテキストを持つ約4万の原稿からベンチマークデータセットをリリースする。 その結果, 大規模言語モデルの表現は, 生成出力よりもアイデアの価値を定量化する可能性が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-09-07T02:07:22Z)
• Resolving the Imbalance Issue in Hierarchical Disciplinary Topic Inference via LLM-based Data Augmentation [5.98277339029019]
  本研究では、大規模言語モデル(Llama V1)をデータジェネレータとして活用し、複雑な学際階層に分類される研究提案を拡大する。 本実験は, 生成したデータの有効性を実証し, 上記の課題に効果的に対処できることを実証した。
  論文  参考訳（メタデータ） (2023-10-09T00:45:20Z)
• Interdisciplinary Fairness in Imbalanced Research Proposal Topic Inference: A Hierarchical Transformer-based Method with Selective Interpolation [26.30701957043284]
  自動トピック推論は、手動のトピックフィリングによるヒューマンエラーを低減し、資金調達機関とプロジェクト申請者の間の知識ギャップを埋め、システム効率を向上させる。 既存の手法は、学際的な研究提案と学際的でない提案とのスケールの差を見落とし、不当な現象へと繋がる。 本稿では,Transformerエンコーダ・デコーダアーキテクチャに基づくトピックラベル推論システムを提案する。
  論文  参考訳（メタデータ） (2023-09-04T16:54:49Z)
• Hierarchical MixUp Multi-label Classification with Imbalanced Interdisciplinary Research Proposals [22.458438099629277]
  我々はH-MixUpと呼ぶ階層型混合ラベル分類フレームワークを提案する。 提案の数は、非学際研究と学間研究の間で不均衡である。 本研究では,Wold-level MixUp,Word-level CutMix,Manifold MixUp,Document-level MixUpの融合学習手法を開発した。
  論文  参考訳（メタデータ） (2022-09-28T08:27:52Z)
• Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
  本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。 提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
  論文  参考訳（メタデータ） (2022-09-20T09:16:05Z)
• Who Should Review Your Proposal? Interdisciplinary Topic Path Detection for Research Proposals [24.995369698179317]
  適切なレビュアーに提案を割り当てるのは、長年にわたる課題でした。 既存のシステムは、主に規律調査員が手動で報告したトピックラベルを収集する。 公正で正確な提案レビューシステムを開発する上で、AIはどのような役割を果たすのか?
  論文  参考訳（メタデータ） (2022-03-07T03:30:50Z)
• TaxoCom: Topic Taxonomy Completion with Hierarchical Discovery of Novel Topic Clusters [57.59286394188025]
  我々はTaxoComというトピック分類の完成のための新しい枠組みを提案する。 TaxoComは、用語と文書の新たなサブトピッククラスタを発見する。 2つの実世界のデータセットに関する包括的実験により、TaxoComは、用語の一貫性とトピックカバレッジの観点から、高品質なトピック分類を生成するだけでなく、高品質なトピック分類を生成することを実証した。
  論文  参考訳（メタデータ） (2022-01-18T07:07:38Z)
• An Explanatory Query-Based Framework for Exploring Academic Expertise [10.887008988767061]
  機関内の潜在的な協力者を見つけることは、偏見を伴う手動検索作業に時間を要する。 本研究では,研究専門知識の検索,評価,探索を行う新しいクエリベースのフレームワークを提案する。 提案手法は, 望ましい特性を満足し, 効率的であると同時に, 一致の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2021-05-28T10:48:08Z)
• What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
  本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。 本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。 本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-11-06T02:23:01Z)
• Topic-Aware Multi-turn Dialogue Modeling [91.52820664879432]
  本稿では,トピック認識発話を教師なしでセグメント化して抽出する,多元対話モデリングのための新しいソリューションを提案する。 トピック・アウェア・モデリングは、新たに提案されたトピック・アウェア・セグメンテーション・アルゴリズムとトピック・アウェア・デュアル・アテンション・マッチング(TADAM)ネットワークによって実現されている。
  論文  参考訳（メタデータ） (2020-09-26T08:43:06Z)

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。