論文の概要: Science Hierarchography: Hierarchical Organization of Science Literature

• arxiv url: http://arxiv.org/abs/2504.13834v1
• Date: Fri, 18 Apr 2025 17:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 14:32:49.042208
• Title: Science Hierarchography: Hierarchical Organization of Science Literature
• Title（参考訳）: 科学階層学:科学文学の階層的組織
• Authors: Muhan Gao, Jash Shah, Weiqi Wang, Daniel Khashabi,
• Abstract要約: 我々は、科学文献を高品質な階層構造に整理する目的であるSCIENCE HARCHOGRAPHYを動機付けている。 我々は,SCIENCE HIERARCHOGRAPHYの目標を達成するために,様々なアルゴリズムを開発した。 その結果、この構造化されたアプローチは解釈可能性を高め、トレンド発見をサポートし、従来の探索手法を超えて科学的文献を探索するための代替手段を提供することが示された。
• 参考スコア（独自算出の注目度）: 20.182213614072836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific knowledge is growing rapidly, making it challenging to track progress and high-level conceptual links across broad disciplines. While existing tools like citation networks and search engines make it easy to access a few related papers, they fundamentally lack the flexible abstraction needed to represent the density of activity in various scientific subfields. We motivate SCIENCE HIERARCHOGRAPHY, the goal of organizing scientific literature into a high-quality hierarchical structure that allows for the categorization of scientific work across varying levels of abstraction, from very broad fields to very specific studies. Such a representation can provide insights into which fields are well-explored and which are under-explored. To achieve the goals of SCIENCE HIERARCHOGRAPHY, we develop a range of algorithms. Our primary approach combines fast embedding-based clustering with LLM-based prompting to balance the computational efficiency of embedding methods with the semantic precision offered by LLM prompting. We demonstrate that this approach offers the best trade-off between quality and speed compared to methods that heavily rely on LLM prompting, such as iterative tree construction with LLMs. To better reflect the interdisciplinary and multifaceted nature of research papers, our hierarchy captures multiple dimensions of categorization beyond simple topic labels. We evaluate the utility of our framework by assessing how effectively an LLM-based agent can locate target papers using the hierarchy. Results show that this structured approach enhances interpretability, supports trend discovery, and offers an alternative pathway for exploring scientific literature beyond traditional search methods. Code, data and demo: $\href{https://github.com/JHU-CLSP/science-hierarchography}{https://github.com/JHU-CLSP/science-hierarchography}$
• Abstract（参考訳）: 科学的知識は急速に成長しており、幅広い分野にわたる進歩と高度な概念的リンクを追跡することは困難である。 引用ネットワークや検索エンジンのような既存のツールを使えば、いくつかの関連論文にアクセスしやすくなりますが、様々な科学分野のアクティビティの密度を表すのに必要な柔軟な抽象化は基本的に欠如しています。 SCIENCE HIERARCHOGRAPHYは、科学文献を高品質な階層構造にまとめることを目的としており、非常に広い分野から非常に特定の研究まで、様々なレベルの抽象的な科学研究を分類することができる。 そのような表現は、どの分野がよく探索され、どの分野が未探索であるかについての洞察を与えることができる。 そこで我々は,SCIENCE HIERARCHOGRAPHYの目標を達成するために,様々なアルゴリズムを開発した。 我々の第一のアプローチは、高速な埋め込みベースのクラスタリングとLLMベースのプロンプトを組み合わせることで、埋め込み手法の計算効率とLLMプロンプトが提供する意味的精度のバランスをとることである。 LLMの反復木構築など,LLMのプロンプトに大きく依存する手法と比較して,本手法は品質と速度のトレードオフとして最適であることを示す。 研究論文の学際的・多面的性質をよりよく反映するために,本研究の階層構造は,単純なトピックラベルを超越した分類の複数の次元を捉えている。 LLMをベースとしたエージェントが、階層構造を用いてターゲット論文の特定を効果的に行うことができるかを評価することにより、フレームワークの有用性を評価する。 その結果、この構造化されたアプローチは解釈可能性を高め、トレンド発見をサポートし、従来の探索手法を超えて科学的文献を探索するための代替手段を提供することが示された。 コード、データ、デモ:$\href{https://github.com/JHU-CLSP/science-hierarchography}{https://github.com/JHU-CLSP/science-hierarchography}$

関連論文リスト

• What's In Your Field? Mapping Scientific Research with Knowledge Graphs and Large Language Models [4.8261605642238745]
  大規模言語モデル(LLM)は、大きな仕事の全体にわたる詳細な関係を捉えることができない。 構造化された表現は、自然に補完する -- コーパス全体にわたって体系的な分析を可能にする。 文献全体に関する正確な質問に答えるシステムを試作する。
  論文  参考訳（メタデータ） (2025-03-12T23:24:40Z)
• Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)
• SciPIP: An LLM-based Scientific Paper Idea Proposer [30.670219064905677]
  SciPIPは,文献検索とアイデア生成の両面での改善を通じて,科学的アイデアの提案を強化するために設計された,革新的なフレームワークである。 自然言語処理やコンピュータビジョンなど,さまざまな領域で実施した実験では,SciPIPが革新的で有用なアイデアを多数生成する能力を示した。
  論文  参考訳（メタデータ） (2024-10-30T16:18:22Z)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Knowledge Navigator: LLM-guided Browsing Framework for Exploratory Search in Scientific Literature [48.572336666741194]
  本稿では,探索探索能力の向上を目的とした知識ナビゲータを提案する。 検索された文書を、名前と記述の科学トピックとサブトピックの、ナビゲート可能な2段階の階層に整理する。
  論文  参考訳（メタデータ） (2024-08-28T14:48:37Z)
• CHIME: LLM-Assisted Hierarchical Organization of Scientific Studies for Literature Review Support [31.327873791724326]
  文献のレビューでは、研究者が大量の情報を合成することを必要としており、科学文献が拡大するにつれてますます困難になっている。 本研究では,学術研究の階層的な組織を創出し,研究者の文献レビューを支援するLLMの可能性について検討する。
  論文  参考訳（メタデータ） (2024-07-23T03:18:00Z)
• A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
  大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。 我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-16T08:03:24Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)
• Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
  HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。 我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。 我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
  論文  参考訳（メタデータ） (2021-10-18T17:56:02Z)
• Knowledge Elicitation using Deep Metric Learning and Psychometric Testing [15.989397781243225]
  画像やビデオなどの高次元データを扱う専門家から,効率的な階層的知識の抽出方法を提案する。 開発されたモデルは、距離が意味論的に意味のある距離空間に高次元データを埋め込み、データは階層構造で整理することができる。
  論文  参考訳（メタデータ） (2020-04-14T08:33:42Z)

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。