論文の概要: Research Knowledge Graphs in NFDI4DataScience: Key Activities, Achievements, and Future Directions

• arxiv url: http://arxiv.org/abs/2508.02300v1
• Date: Mon, 04 Aug 2025 11:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 13:25:06.887976
• Title: Research Knowledge Graphs in NFDI4DataScience: Key Activities, Achievements, and Future Directions
• Title（参考訳）: NFDI4DataScienceにおける研究知識グラフ
• Authors: Kanishka Silva, Marcel R. Ackermann, Heike Fliegl, Genet-Asefa Gesese, Fidan Limani, Philipp Mayr, Peter Mutschke, Allard Oelen, Muhammad Asif Suryani, Sharmila Upadhyaya, Benjamin Zapilko, Harald Sack, Stefan Dietze,
• Abstract要約: NFDI4DataScienceがResearch Knowledge Graphs(RKG)を開発し提供 RKGは複雑なデータセット、モデル、ソフトウェア、科学出版物をキャプチャして接続することを目的としている。
• 参考スコア（独自算出の注目度）: 4.258678191793365
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As research in Artificial Intelligence and Data Science continues to grow in volume and complexity, it becomes increasingly difficult to ensure transparency, reproducibility, and discoverability. To address these challenges, as research artifacts should be understandable and usable by machines, the NFDI4DataScience consortium is developing and providing Research Knowledge Graphs (RKGs). Building upon earlier works, this paper presents recent progress in creating semantically rich RKGs using standardized ontologies, shared vocabularies, and automated Information Extraction techniques. Key achievements include the development of the NFDI4DS ontology, metadata standards, tools, and services designed to support the FAIR principles, as well as community-led projects and various implementations of RKGs. Together, these efforts aim to capture and connect the complex relationships between datasets, models, software, and scientific publications.
• Abstract（参考訳）: 人工知能とデータサイエンスの研究が体積と複雑さを増し続けているため、透明性、再現性、発見可能性を確保することはますます困難になっている。 これらの課題に対処するため、NFDI4DataScienceコンソーシアムはResearch Knowledge Graphs(RKG)を開発し、提供している。 本稿では,従来の研究に基づいて,標準化オントロジー,共通語彙,自動情報抽出技術を用いて,意味的にリッチなRKGを作成するための最近の進歩を示す。 主な成果は、NFDI4DSオントロジー、メタデータ標準、ツール、FAIR原則をサポートするように設計されたサービス、コミュニティ主導のプロジェクト、RKGの様々な実装などである。 これらの取り組みは、データセット、モデル、ソフトウェア、科学出版物の間の複雑な関係を捕捉し、接続することを目的としている。

関連論文リスト

• ScIRGen: Synthesize Realistic and Large-Scale RAG Dataset for Scientific Research [15.983924435685553]
  我々は科学的なQAと検索のためのデータセット生成フレームワークであるScrirGenを開発した。 私たちはこれを使って、現実的なクエリ、データセット、論文を備えた大規模科学的検索強化世代(RAG)データセットを作成します。
  論文  参考訳（メタデータ） (2025-06-09T11:47:13Z)
• Research Knowledge Graphs: the Shifting Paradigm of Scholarly Information Representation [2.967893090870586]
  研究知識グラフ(Research Knowledge Graphs, RKGs)は、研究成果物とその関連性を簡単に利用し、機械で操作可能な表現を提供することを目的としている。 本稿では、RKGビルディングブロックと原則の説明とともに、RKGビジョンの第一概念化、利用内RKGの分類について述べる。
  論文  参考訳（メタデータ） (2025-06-08T21:10:30Z)
• Data-Driven Breakthroughs and Future Directions in AI Infrastructure: A Comprehensive Review [0.0]
  本稿では,過去15年間の人工知能(AI)の大きなブレークスルーを包括的に合成する。 計算リソース、データアクセス、アルゴリズム革新の収束をトレースすることで、AIの進化における重要なインフレクションポイントを特定する。
  論文  参考訳（メタデータ） (2025-05-22T15:12:48Z)
• Synthesize-on-Graph: Knowledgeable Synthetic Data Generation for Continue Pre-training of Large Language Models [8.299006259255572]
  本稿では,コーパスを効率的に拡張するためのクロスドキュメント知識結合を組み込んだ合成データ生成フレームワークであるSynthetic-on-Graph(SoG)を提案する。 SoGは、元のコーパスから実体と概念を抽出し、文書間の関連性を表すコンテキストグラフを構築する。 合成データの品質をさらに向上するため,我々は,CoT(Chain-of-Thought)とCC(Contrastive Clarification)を統合し,推論プロセスと識別力を増強した。
  論文  参考訳（メタデータ） (2025-05-02T03:40:39Z)
• Foundation Models for Spatio-Temporal Data Science: A Tutorial and Survey [69.0648659029394]
  時空間(ST)データサイエンスは、都市コンピューティング、気候科学、インテリジェントトランスポートといった領域における複雑なシステムを理解するのに不可欠である。 研究者は、様々なSTタスクに対する適応性と一般化を高めるために、時空間モデル(STFM)の概念を探求し始めている。 STFMは、データセンシング、管理、マイニングなど、STデータサイエンスのワークフロー全体を強化し、より包括的でスケーラブルなアプローチを提供する。
  論文  参考訳（メタデータ） (2025-03-12T09:42:18Z)
• MMSci: A Dataset for Graduate-Level Multi-Discipline Multimodal Scientific Understanding [59.41495657570397]
  本稿では,72の科学分野をカバーするNature Communicationsの記事からまとめられた包括的データセットについて述べる。 2つのベンチマークタスク(図のキャプションと複数選択)で19のプロプライエタリモデルとオープンソースモデルを評価し,人手による注釈を行った。 タスク固有データを用いた細調整Qwen2-VL-7Bは、GPT-4oや人間の専門家でさえも、マルチチョイス評価において優れた性能を示した。
  論文  参考訳（メタデータ） (2024-07-06T00:40:53Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• Construction and Application of Materials Knowledge Graph in Multidisciplinary Materials Science via Large Language Model [16.03026839786526]
  本稿では,大規模言語モデルと統合された高度な自然言語処理技術を活用したマテリアルナレッジグラフ(MKG)を紹介する。 MKGは、情報を名前、フォーミュラ、アプリケーションなどの包括的なラベルに分類する。 ネットワークベースのアルゴリズムを実装することで、MKGは効率的なリンク予測を容易にするだけでなく、従来の実験手法への依存を著しく低減する。
  論文  参考訳（メタデータ） (2024-04-03T21:46:14Z)
• Integration of Domain Expert-Centric Ontology Design into the CRISP-DM for Cyber-Physical Production Systems [45.05372822216111]
  機械学習(ML)とデータマイニング(DM)の手法は、収集されたデータから複雑で隠れたパターンを抽出する上で有望であることが証明されている。 しかし、このようなデータ駆動プロジェクトは、通常、CRISPDM(Cross-Industry Standard Process for Data Mining)で実行され、データの理解と準備に要する時間の不均等さのために失敗することが多い。 このコントリビューションは、データサイエンティストがCPPSの課題に対してより迅速かつ確実に洞察を得ることができるように、統合されたアプローチを提供することを目的としている。
  論文  参考訳（メタデータ） (2023-07-21T15:04:00Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Challenges in biomarker discovery and biorepository for Gulf-war-disease studies: a novel data platform solution [48.7576911714538]
  ROSALINDという新しいデータプラットフォームを導入し、課題を克服し、健全で重要なコラボレーションを育み、科学的調査を進めます。 ROSALINDは、自己管理されたアクセシビリティ、リンク性、可積分性、中立性、信頼性を持つリソース有機体を指します。 過去12ヶ月のGWI研究におけるROSALINDの展開により、データ実験と分析のペースが加速し、多数のエラーソースが削除され、研究品質と生産性が向上しました。
  論文  参考訳（メタデータ） (2021-02-04T20:38:30Z)
• Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
  本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。 本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。 我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-07-31T13:21:33Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)

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。