論文の概要: Exploring and Verbalizing Academic Ideas by Concept Co-occurrence
- arxiv url: http://arxiv.org/abs/2306.02282v1
- Date: Sun, 4 Jun 2023 07:01:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 18:45:37.005432
- Title: Exploring and Verbalizing Academic Ideas by Concept Co-occurrence
- Title(参考訳): 概念共起による学術思想の探求と普及
- Authors: Yi Xu, Shuqian Sheng, Bo Xue, Luoyi Fu, Xinbing Wang, Chenghu Zhou
- Abstract要約: 本研究は,学術的アイデアインスピレーションのための概念共起に基づく枠組みを考案する。
我々は20の分野やトピックから概念の共起関係に基づき、進化する概念グラフを構築する。
我々は、共起励磁法と呼ばれる新しいデータ構造に基づくアイデアの記述を生成する。
- 参考スコア(独自算出の注目度): 42.16213986603552
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Researchers usually come up with new ideas only after thoroughly
comprehending vast quantities of literature. The difficulty of this procedure
is exacerbated by the fact that the number of academic publications is growing
exponentially. In this study, we devise a framework based on concept
co-occurrence for academic idea inspiration, which has been integrated into a
research assistant system. From our perspective, the fusion of two concepts
that co-occur in an academic paper can be regarded as an important way of the
emergence of a new idea. We construct evolving concept graphs according to the
co-occurrence relationship of concepts from 20 disciplines or topics. Then we
design a temporal link prediction method based on masked language model to
explore potential connections between different concepts. To verbalize the
newly discovered connections, we also utilize the pretrained language model to
generate a description of an idea based on a new data structure called
co-occurrence citation quintuple. We evaluate our proposed system using both
automatic metrics and human assessment. The results demonstrate that our system
has broad prospects and can assist researchers in expediting the process of
discovering new ideas.
- Abstract(参考訳): 研究者は通常、大量の文学を徹底的に理解した後だけ、新しいアイデアを思いつく。
この手続きの難しさは、学術出版物の数が指数関数的に増えているという事実によって悪化している。
本研究では,学術的アイデアの着想のための概念共起に基づく枠組みを考案し,研究支援システムに統合した。
我々の視点では、学術論文に共通する2つの概念の融合は、新しいアイデアの出現の重要な方法とみなすことができる。
20の分野やトピックからの概念の共起関係に従って進化する概念グラフを構築する。
次に,マスキング言語モデルに基づく時間的リンク予測手法を設計し,概念間の潜在的な接続を探索する。
また、新たに発見された接続を動詞化するために、事前学習した言語モデルを用いて、共起引用クインタプルと呼ばれる新しいデータ構造に基づくアイデアの記述を生成する。
提案システムは,自動計測と人間評価の両方を用いて評価する。
その結果,本システムには幅広い可能性があり,新たなアイデアの発見プロセスの迅速化を支援することができることがわかった。
関連論文リスト
- Learning Interpretable Concepts: Unifying Causal Representation Learning
and Foundation Models [51.43538150982291]
人間の解釈可能な概念をデータから学習する方法を研究する。
両分野からアイデアをまとめ、多様なデータから概念を確実に回収できることを示す。
論文 参考訳(メタデータ) (2024-02-14T15:23:59Z) - SciMON: Scientific Inspiration Machines Optimized for Novelty [74.78803157606083]
文献に基づく新たな科学的方向を生成するために,ニューラルランゲージモデルを探索し,拡張する。
モデルが入力背景コンテキストとして使用される新しい設定で、劇的な出発をとっています。
本稿では,過去の科学的論文から「吸入」を抽出するモデリングフレームワークであるSciMONを紹介する。
論文 参考訳(メタデータ) (2023-05-23T17:12:08Z) - LEATHER: A Framework for Learning to Generate Human-like Text in
Dialogue [15.102346715690755]
本稿では,対話でテキストを生成するための新しい理論フレームワークを提案する。
既存の学習理論と比較して,本フレームワークはテキスト生成に固有の多面的目標の分析を可能にする。
論文 参考訳(メタデータ) (2022-10-14T13:05:11Z) - Acquiring and Modelling Abstract Commonsense Knowledge via
Conceptualization [31.925713490764867]
本稿では,コモンセンス推論における概念化の可能性について考察する。
そこで我々は,大規模人間の注釈付きCKGであるATOMICの文脈的概念化ツールを開発した。
実験では、抽象的な三重項でデータを直接拡張することで、コモンセンスモデリングに役立ちます。
論文 参考訳(メタデータ) (2022-06-03T12:24:49Z) - Separating Skills and Concepts for Novel Visual Question Answering [66.46070380927372]
アウト・オブ・ディストリビューションデータへの一般化は、VQA(Visual Question Answering)モデルにおいて問題となっている。
「スキル」とは、数え方や属性認識などの視覚的なタスクであり、その疑問に言及された「概念」に適用される。
モデル内でこれらの2つの要因を暗黙的に分離するスキルと概念を学習するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-07-19T18:55:10Z) - Conditional Teaching Size [0.0]
本稿では,その証明や今後の研究の方向性など,一連の理論的結果を示す。
構成シナリオにおけるカリキュラム教育の新たな研究の可能性は、現在、探索に広く開放されている。
論文 参考訳(メタデータ) (2021-06-29T23:08:58Z) - Formalising Concepts as Grounded Abstractions [68.24080871981869]
このレポートは、表現学習が生データから概念を誘導する方法を示しています。
このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
論文 参考訳(メタデータ) (2021-01-13T15:22:01Z) - Concept Learners for Few-Shot Learning [76.08585517480807]
本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。
我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
論文 参考訳(メタデータ) (2020-07-14T22:04:17Z) - Revisit Systematic Generalization via Meaningful Learning [15.90288956294373]
最近の研究は、ニューラルネットワークはそのような認知能力に本質的に効果がないように見えると主張している。
新しい概念と古い概念のセマンティックリンクを条件としたシーケンス・ツー・シーケンス・モデルの合成スキルを再評価する。
論文 参考訳(メタデータ) (2020-03-14T15:27:29Z)
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。