論文の概要: Scientific Impact of Graph-Based Approaches in Deep Learning Studies --
A Bibliometric Comparison
- arxiv url: http://arxiv.org/abs/2210.07343v1
- Date: Thu, 13 Oct 2022 20:23:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 17:27:40.378526
- Title: Scientific Impact of Graph-Based Approaches in Deep Learning Studies --
A Bibliometric Comparison
- Title（参考訳）: ディープラーニング研究におけるグラフベースアプローチの科学的影響 -書誌比較-
- Authors: Ilker Turker, Serhat Orkun Tan
- Abstract要約: 2013年以降、ディープラーニングベースの研究は勢いを増し、すべてのディープラーニング研究におけるグラフベースのアプローチの速度は、次の10年間で1%から4%へと直線的に上昇した、と概説されている。
近年の類似した性能にもかかわらず、グラフベースの研究は、従来のアプローチに比べて2倍の引用性能を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Applying graph-based approaches in deep learning receives more attention over
time. This study presents statistical analysis on the use of graph-based
approaches in deep learning and examines the scientific impact of the related
articles. Processing the data obtained from the Web of Science database,
metrics such as the type of the articles, funding availability, indexing type,
annual average number of citations and the number of access were analyzed to
quantitatively reveal the effects on the scientific audience. It's outlined
that deep learning-based studies gained momentum after year 2013, and the rate
of graph-based approaches in all deep learning studies increased linearly from
1% to 4% within the following 10 years. Conference publications scanned in the
Conference Proceeding Citation Index (CPCI) on the graph-based approaches
receive significantly more citations. The citation counts of the SCI-Expanded
and Emerging SCI indexed publications of the two streams are close to each
other. While the citation performances of the supported and unsupported
publications of the two sides were similar, pure deep learning studies received
more citations on the journal publication side and graph-based approaches
received more citations on the conference side. Despite their similar
performance in recent years, graph-based studies show twice more citation
performance as they get older, compared to traditional approaches. Annual
average citation performance per article for all deep learning studies is
11.051 in 2014, while it is 22.483 for graph-based studies. Also, despite
receiving 16% more access, graph-based papers get almost the same overall
citation over time with the pure counterpart. This is an indication that
graph-based approaches need a greater bunch of attention to follow, while pure
deep learning counterpart is relatively simpler to get inside.
- Abstract（参考訳）: グラフベースのアプローチをディープラーニングに適用することは、時間とともにより多くの注目を集める。
本研究では,深層学習におけるグラフベースのアプローチの利用に関する統計的分析を行い,関連する論文の科学的影響について検討する。
Web of Scienceデータベースから得られたデータを処理することで,論文の種類,資金提供状況,索引付けタイプ,年平均引用数,アクセス数などの指標を分析し,科学的観衆への影響を定量的に明らかにした。
2013年以降、ディープラーニングベースの研究は勢いを増し、すべてのディープラーニング研究におけるグラフベースのアプローチの割合は、次の10年間で1%から4%に線形に増加した。
グラフベースのアプローチに関するカンファレンス Proceeding Citation Index (CPCI) でスキャンされたカンファレンスの出版物は、はるかに多くの引用を受けています。
2つのストリームのSCI拡張および新興SCIインデックス付き出版物の引用数は互いに近接している。
支援された両サイドの引用性能は類似していたが、純粋なディープラーニング研究はジャーナル出版側でより多くの引用を受け、グラフベースのアプローチはカンファレンス側でより多くの引用を受けた。
近年の類似した性能にもかかわらず、グラフベースの研究は、従来のアプローチに比べて2倍の引用性能を示している。
ディープラーニング研究の年平均引用性能は2014年で11.051件、グラフベースの研究では22.483件である。
また、アクセスが16%増えたにもかかわらず、グラフベースの論文は純粋な論文と時間とともにほぼ同じ引用を得られる。
これは、グラフベースのアプローチが従うべき多くの注意を必要とすることを示しているが、純粋なディープラーニングのアプローチは、中に入るのが比較的簡単である。
関連論文リスト
- Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。
計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
論文 参考訳（メタデータ） (2024-04-01T17:45:15Z) - H2CGL: Modeling Dynamics of Citation Network for Impact Prediction [13.00224680454585]
対象論文の階層的および異質なグラフを年次視点で構築する。
このグラフは、対象論文の科学的文脈情報の年次動態を記録することができる。
階層型および不均一なグラフ学習モデルであるグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2023-04-16T13:04:32Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Machine Learning vs. Deep Learning in 5G Networks -- A Comparison of
Scientific Impact [0.0]
機械学習(ML)とディープラーニング(DL)技術は5Gネットワークで使用されている。
本研究の目的は, この2つの手法の科学的影響の違いを, 統計文献学を用いて明らかにすることである。
Web of Science (WoS)データベースは、MLのための2245の論文とDL関連の研究のための1407の論文をホストしている。
論文 参考訳（メタデータ） (2022-10-13T19:54:17Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳（メタデータ） (2022-10-02T07:43:26Z) - 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) - Deep Graph Learning for Anomalous Citation Detection [55.81334139806342]
本稿では,新たな深層グラフ学習モデルであるGLAD(Graph Learning for Anomaly Detection)を提案する。
GLADフレームワーク内ではCPU(Citation PUrpose)と呼ばれるアルゴリズムが提案され,引用テキストに基づく引用の目的が明らかになった。
論文 参考訳（メタデータ） (2022-02-23T09:05:28Z) - A Graph Convolutional Neural Network based Framework for Estimating
Future Citations Count of Research Articles [0.03937354192623676]
グラフ畳み込みネットワーク (gcn) を用いて, 短期(1年), 長期(5年, 10年)のいずれにおいても, 今後の研究論文の引用を推定する枠組みを提案する。
我々は、コンピュータサイエンス領域の研究記事、特に0.8百万以上の記事からなるAMinerデータセット上の私たちの提案されたアプローチをテストしました。
論文 参考訳（メタデータ） (2021-04-11T07:20:53Z) - Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文 参考訳（メタデータ） (2021-04-07T11:13:35Z) - Structured Citation Trend Prediction Using Graph Neural Networks [6.325999141414098]
本論文では,公開時に論文のトップセットを予測するGNNベースのアーキテクチャを提案する。
実験では,さまざまなカンファレンスを対象とした学術的引用グラフの集合をキュレートし,提案モデルがF1スコアで他の古典的機械学習モデルより優れていることを示す。
論文 参考訳（メタデータ） (2021-04-06T14:58:29Z) - The Demise of Single-Authored Publications in Computer Science: A
Citation Network Analysis [0.0]
私は1940年から2019年までのコンピュータサイエンス文学における単行本の役割を研究するためにDBLPデータベースを分析した。
著者の人口比率、引用統計、一冊の出版物のスコアを計算して、人口統計と受容率について検討する。
論文 参考訳（メタデータ） (2020-01-02T07:47:44Z)
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。