論文の概要: Predicting Scientific Impact Through Diffusion, Conformity, and Contribution Disentanglement

• arxiv url: http://arxiv.org/abs/2311.09262v4
• Date: Sun, 1 Sep 2024 20:58:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-04 22:14:48.297876
• Title: Predicting Scientific Impact Through Diffusion, Conformity, and Contribution Disentanglement
• Title（参考訳）: 拡散・変形・寄与分散による科学的影響予測
• Authors: Zhikai Xue, Guoxiu He, Zhuoren Jiang, Sichen Gu, Yangyang Kang, Star Zhao, Wei Lu,
• Abstract要約: 既存のモデルは、引用数推定に静的グラフに依存するのが一般的である。 論文の拡散, コンフォーマル性, コントリビューション値に潜在的影響を分散させる新しいモデルDPPDCCを導入する。
• 参考スコア（独自算出の注目度）: 11.684776349325887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scientific impact of academic papers is influenced by intricate factors such as dynamic popularity and inherent contribution. Existing models typically rely on static graphs for citation count estimation, failing to differentiate among its sources. In contrast, we propose distinguishing effects derived from various factors and predicting citation increments as estimated potential impacts within the dynamic context. In this research, we introduce a novel model, DPPDCC, which Disentangles the Potential impacts of Papers into Diffusion, Conformity, and Contribution values. It encodes temporal and structural features within dynamic heterogeneous graphs derived from the citation networks and applies various auxiliary tasks for disentanglement. By emphasizing comparative and co-cited/citing information and aggregating snapshots evolutionarily, DPPDCC captures knowledge flow within the citation network. Afterwards, popularity is outlined by contrasting augmented graphs to extract the essence of citation diffusion and predicting citation accumulation bins for quantitative conformity modeling. Orthogonal constraints ensure distinct modeling of each perspective, preserving the contribution value. To gauge generalization across publication times and replicate the realistic dynamic context, we partition data based on specific time points and retain all samples without strict filtering. Extensive experiments on three datasets validate DPPDCC's superiority over baselines for papers published previously, freshly, and immediately, with further analyses confirming its robustness. Our codes and supplementary materials can be found at https://github.com/ECNU-Text-Computing/DPPDCC.
• Abstract（参考訳）: 学術論文の科学的影響は、動的人気や本質的な貢献などの複雑な要因に影響を受けている。 既存のモデルは通常、引用数の推定に静的グラフに依存しており、ソース間での差別化に失敗した。 対照的に、様々な要因から導かれる影響を区別し、動的文脈における潜在的影響の推定として引用インクリメントを予測することを提案する。 本研究では, 論文の拡散, コンフォーマル性, コントリビューションに対する影響を分散させる新しいモデルDPPDCCを紹介する。 引用ネットワークから導出される動的ヘテロジニアスグラフ内の時間的および構造的特徴を符号化し、絡み合うために様々な補助的タスクを適用する。 DPPDCCは、比較情報と共興奮情報を強調し、スナップショットを進化的に集約することにより、引用ネットワーク内の知識フローをキャプチャする。 その後、拡張グラフを対比して引用拡散の本質を抽出し、定量整合性モデリングのための引用蓄積ビンを予測することで人気を概説する。 直交的制約は、貢献値を保存することによって、各視点の異なるモデリングを保証する。 出版時間全体の一般化を測り、現実的な動的文脈を再現するために、特定の時間点に基づいてデータを分割し、厳密なフィルタリングなしに全てのサンプルを保持する。 3つのデータセットに関する大規模な実験は、DPPDCCが以前、新しく、そしてすぐに発行された論文のベースラインよりも優れていることを検証し、その堅牢性についてさらなる分析を行った。 コードと補足資料はhttps://github.com/ECNU-Text-Computing/DPPDCCで確認できます。

関連論文リスト

• Time to Cite: Modeling Citation Networks using the Dynamic Impact Single-Event Embedding Model [0.33123773366516646]
  引用ネットワークはシングルイベント動的ネットワークの顕著な例である。 このような単一イベントネットワークのキャラクタリゼーションのための新しい可能性関数を提案する。 Dynamic Impact Single-Event Embedding Model (DISEE)は、静的潜伏距離ネットワークの埋め込みアプローチを古典的な動的影響評価と照合する。
  論文  参考訳（メタデータ） (2024-02-28T22:59:26Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
  本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。 提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
  論文  参考訳（メタデータ） (2023-06-20T06:25:05Z)
• 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)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• 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)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• A Heterogeneous Dynamical Graph Neural Networks Approach to Quantify Scientific Impact [39.9627229543809]
  論文や著者の累積的影響を明示的にモデル化し,予測するために,異種動的グラフニューラルネットワーク(HDGNN)に基づくアプローチを提案する。 実際の引用データセットで行った実験は、論文と著者の両方の影響を予測する優れた性能を示した。
  論文  参考訳（メタデータ） (2020-03-26T17:15:36Z)

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。