論文の概要: Time to Cite: Modeling Citation Networks using the Dynamic Impact
Single-Event Embedding Model
- arxiv url: http://arxiv.org/abs/2403.00032v1
- Date: Wed, 28 Feb 2024 22:59:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 23:06:21.619964
- Title: Time to Cite: Modeling Citation Networks using the Dynamic Impact
Single-Event Embedding Model
- Title（参考訳）: Time to Cite: Dynamic Impact Single-Event Embedding Model を用いた循環ネットワークのモデリング
- Authors: Nikolaos Nakis, Abdulkadir Celikkanat, Louis Boucherie, Sune Lehmann,
Morten M{\o}rup
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.33123773366516646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the structure and dynamics of scientific research, i.e., the
science of science (SciSci), has become an important area of research in order
to address imminent questions including how scholars interact to advance
science, how disciplines are related and evolve, and how research impact can be
quantified and predicted. Central to the study of SciSci has been the analysis
of citation networks. Here, two prominent modeling methodologies have been
employed: one is to assess the citation impact dynamics of papers using
parametric distributions, and the other is to embed the citation networks in a
latent space optimal for characterizing the static relations between papers in
terms of their citations. Interestingly, citation networks are a prominent
example of single-event dynamic networks, i.e., networks for which each dyad
only has a single event (i.e., the point in time of citation). We presently
propose a novel likelihood function for the characterization of such
single-event networks. Using this likelihood, we propose the Dynamic Impact
Single-Event Embedding model (DISEE). The \textsc{\modelabbrev} model
characterizes the scientific interactions in terms of a latent distance model
in which random effects account for citation heterogeneity while the
time-varying impact is characterized using existing parametric representations
for assessment of dynamic impact. We highlight the proposed approach on several
real citation networks finding that the DISEE well reconciles static latent
distance network embedding approaches with classical dynamic impact
assessments.
- Abstract（参考訳）: 科学科学(SciSci)という科学研究の構造と力学を理解することは、研究者が先進科学とどのように相互作用するか、規律がどのように関連し進化しているか、研究への影響を定量化し、予測する方法など、差し迫った問題に対処するために重要な研究領域となっている。
SciSciの研究の中心は、引用ネットワークの分析である。
ここでは、2つの顕著なモデリング手法が採用されている: 1つはパラメトリック分布を用いて論文の引用影響ダイナミクスを評価すること、もう1つは、論文間の静的関係を引用の観点から特徴づけるのに最適な潜在空間に引用ネットワークを埋め込むことである。
興味深いことに、励起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り、すなわち、各ダイアドが単一のイベント(すなわち、励起時点のポイント)しか持たないネットワークである。
本稿では,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。
この可能性を利用して、Dynamic Impact Single-Event Embedding Model (DISEE)を提案する。
textsc{\modelabbrev}モデルは、ランダムな効果が引用の不均一性を考慮し、時間変化の衝撃は動的影響の評価のために既存のパラメトリック表現を用いて特徴づける潜在距離モデルを用いて科学的相互作用を特徴付ける。
提案手法は,従来の動的影響評価を用いた静的潜在距離ネットワーク埋め込み手法と,diseeがうまく調和していることを示す。
関連論文リスト
- GINopic: Topic Modeling with Graph Isomorphism Network [0.8962460460173959]
本稿では,グラフ同型ネットワークに基づく話題モデリングフレームワークGINopicを紹介し,単語間の相関関係を捉える。
本稿では,既存のトピックモデルと比較してGINopicの有効性を実証し,トピックモデリングの進歩の可能性を明らかにする。
論文 参考訳（メタデータ） (2024-04-02T17:18:48Z) - Learning the mechanisms of network growth [42.1340910148224]
動的ネットワークのための新しいモデル選択法を提案する。
データは9つの最先端のランダムグラフモデルをシミュレートすることによって生成される。
提案された機能は、計算しやすく、分析的に抽出可能で、解釈可能である。
論文 参考訳（メタデータ） (2024-03-31T20:38:59Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Scientometric engineering: Exploring citation dynamics via arXiv eprints [0.0]
本稿では,arXiv上の150万以上の電子プリントの引用データについて検討する。
典型的成長パターンと可溶化パターンは, 分野によって異なることが判明した。
我々は, 励起成長と可溶化の観測量的, 時間的特性に整合したモデルを導出した。
論文 参考訳（メタデータ） (2021-06-09T12:38:44Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - 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) - Longitudinal Citation Prediction using Temporal Graph Neural Networks [27.589741169713825]
シーケンス引用予測のタスクを紹介します。
目標は、学術研究が経時的に受ける引用回数の軌跡を正確に予測することである。
論文 参考訳（メタデータ） (2020-12-10T15:25:16Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳（メタデータ） (2020-07-01T17:29:57Z) - 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) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z)
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。