論文の概要: Impact-Oriented Contextual Scholar Profiling using Self-Citation Graphs
- arxiv url: http://arxiv.org/abs/2304.12217v1
- Date: Mon, 24 Apr 2023 15:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 14:17:00.075521
- Title: Impact-Oriented Contextual Scholar Profiling using Self-Citation Graphs
- Title（参考訳）: 自己引用グラフを用いたインパクト指向文脈学者のプロファイリング
- Authors: Yuankai Luo, Lei Shi, Mufan Xu, Yuwen Ji, Fengli Xiao, Chunming Hu,
Zhiguang Shan
- Abstract要約: GeneticFlowは、構造化コンテキスト、学者中心、進化に富む3つの必須要件を満たすグラフベースの学者プロファイルのスイートである。
何百万人もの学者による大規模学術データソース上でGFを計算するためのフレームワークを提案する。
実験の結果, ベストGFプロファイルのF1スコアは, インパクトインジケータやバイオロメトリネットワークの代替手法よりも有意に優れていた。
- 参考スコア（独自算出の注目度）: 3.634475842216467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantitatively profiling a scholar's scientific impact is important to modern
research society. Current practices with bibliometric indicators (e.g.,
h-index), lists, and networks perform well at scholar ranking, but do not
provide structured context for scholar-centric, analytical tasks such as
profile reasoning and understanding. This work presents GeneticFlow (GF), a
suite of novel graph-based scholar profiles that fulfill three essential
requirements: structured-context, scholar-centric, and evolution-rich. We
propose a framework to compute GF over large-scale academic data sources with
millions of scholars. The framework encompasses a new unsupervised
advisor-advisee detection algorithm, a well-engineered citation type classifier
using interpretable features, and a fine-tuned graph neural network (GNN)
model. Evaluations are conducted on the real-world task of scientific award
inference. Experiment outcomes show that the F1 score of best GF profile
significantly outperforms alternative methods of impact indicators and
bibliometric networks in all the 6 computer science fields considered.
Moreover, the core GF profiles, with 63.6%-66.5% nodes and 12.5%-29.9% edges of
the full profile, still significantly outrun existing methods in 5 out of 6
fields studied. Visualization of GF profiling result also reveals human
explainable patterns for high-impact scholars.
- Abstract（参考訳）: 研究者の科学的影響を定量的にプロファイリングすることは、現代研究社会にとって重要である。
現代の文献指標(h-indexなど)やリスト、ネットワークの実践は、学者のランキングではよく機能するが、プロファイル推論や理解のような学者中心の分析的なタスクには構造化された文脈を提供していない。
本稿では,構造化コンテキスト,研究者中心,進化に富む3つの必須要件を満たす,グラフベースの新たな学術プロファイルのスイートであるgeneticflow(gf)を提案する。
何百万人もの学者による大規模学術データソース上でGFを計算するためのフレームワークを提案する。
このフレームワークは、新しい教師なしアドバイザ・アドバイザ検出アルゴリズム、解釈可能な特徴を用いたよく設計された引用型分類器、微調整されたグラフニューラルネットワーク(GNN)モデルを含んでいる。
科学賞推理の実際の課題について評価を行う。
実験の結果,ベストgfプロファイルのf1スコアは,検討した6つのコンピュータサイエンス分野において,インパクトインジケータや書誌ネットワークの代替手法を有意に上回っていることがわかった。
さらに、63.6%-66.5%のノードと12.5%-29.9%のエッジを持つコアgfプロファイルは、6つのフィールドのうち5つで既存の方法を大きく上回っている。
GFプロファイリングの結果の可視化は、高インパクト研究者のための人間の説明可能なパターンも明らかにする。
関連論文リスト
- The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。
最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
論文 参考訳（メタデータ） (2024-07-12T18:04:32Z) - Rethinking the Effectiveness of Graph Classification Datasets in Benchmarks for Assessing GNNs [7.407592553310068]
本稿では,単純な手法とGNN間の性能差を調べるための,公正なベンチマークフレームワークに基づく経験的プロトコルを提案する。
また,データセットの複雑性とモデル性能を両立させることにより,データセットの有効性を定量化する新しい指標を提案する。
我々の発見は、ベンチマークデータセットの現在の理解に光を当て、新しいプラットフォームは、グラフ分類ベンチマークの将来的な進化を後押しする可能性がある。
論文 参考訳（メタデータ） (2024-07-06T08:33:23Z) - SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [80.49349719239584]
SciRIFF(Scientific Resource for Instruction-Following and Finetuning, SciRIFF)は、54のタスクに対して137Kの命令追従デモのデータセットである。
SciRIFFは、幅広い科学分野の研究文献から情報を抽出し、合成することに焦点を当てた最初のデータセットである。
論文 参考訳（メタデータ） (2024-06-10T21:22:08Z) - Investigating the Interplay between Features and Structures in Graph
Learning [6.436174170552484]
過去には、メッセージパッシング手法のノード分類予測の改善と、ホモフィリィに強く関連していると考えられていた。
最近では、グラフが完全にヘテロ親和性であるが性能が高いノード分類タスクを構築することができるため、そのような二分法は単純すぎると研究者らは指摘した。
本研究は,ノード分類タスクの2つの生成過程を定式化することにより,この強い仮定が成立しない場合に何が起こるかを検討する。
論文 参考訳（メタデータ） (2023-08-18T14:02:56Z) - Size Generalization of Graph Neural Networks on Biological Data:
Insights and Practices from the Spectral Perspective [16.01608638659267]
グラフにおけるサイズ誘起分布変化について検討し、グラフニューラルネットワーク(GNN)の大規模グラフへの一般化能力への影響を評価する。
我々は,GNNが重要なサブグラフパターンを認識して,そのサイズを一般化する,シンプルで効果的なモデルに依存しない戦略を導入する。
論文 参考訳（メタデータ） (2023-05-24T23:01:14Z) - Application of Graph Neural Networks and graph descriptors for graph
classification [0.0]
グラフ表現学習のデファクト標準ディープラーニング技術として登場したグラフニューラルネットワーク(GNN)に注目した。
我々は、公正な評価実験プロトコルを設計し、適切なデータセットの収集を選択する。
我々は多くの結論に達し、新しいアルゴリズムの性能と品質に新たな光を当てた。
論文 参考訳（メタデータ） (2022-11-07T16:25:22Z) - Geometry-Complete Perceptron Networks for 3D Molecular Graphs [0.0]
我々は3次元分子グラフ表現学習用に設計された新しい幾何完全SE(3)不変グラフニューラルネットワークであるGCPNetを紹介する。
GCPNetのタンパク質-リガンド結合親和性予測は,現在の最先端手法よりも5%以上,統計的に有意な相関性が得られることを示す。
また、GCPNetの予測精度98.7%は、これまでのどの機械学習手法よりも優れていることも示している。
論文 参考訳（メタデータ） (2022-11-04T15:05:40Z) - Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。
具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。
グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
論文 参考訳（メタデータ） (2022-02-14T23:07:47Z) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳（メタデータ） (2021-06-08T05:25:38Z) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳（メタデータ） (2021-03-05T09:03:03Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z)
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。