論文の概要: ResearchPulse: Building Method-Experiment Chains through Multi-Document Scientific Inference

• arxiv url: http://arxiv.org/abs/2509.03565v1
• Date: Wed, 03 Sep 2025 15:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:09.924959
• Title: ResearchPulse: Building Method-Experiment Chains through Multi-Document Scientific Inference
• Title（参考訳）: ResearchPulse:マルチドキュメント科学推論による手法実験チェインの構築
• Authors: Qi Chen, Jingxuan Wei, Zhuoya Yao, Haiguang Wang, Gaowei Wu, Bihui Yu, Siyuan Li, Cheng Tan,
• Abstract要約: 我々は、関連論文のモチベーション、方法論、実験結果を抽出し、調整する新しいタスクである、多文書科学的推論を定式化する。 提案するResearchPulseは,指導計画,科学コンテンツ抽出,構造化可視化を統合したエージェントベースのフレームワークである。 このタスクを支援するために、注釈付き紙クラスターの引用対応ベンチマークであるResearchPulse-Benchを紹介する。
• 参考スコア（独自算出の注目度）: 19.363580418167114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how scientific ideas evolve requires more than summarizing individual papers-it demands structured, cross-document reasoning over thematically related research. In this work, we formalize multi-document scientific inference, a new task that extracts and aligns motivation, methodology, and experimental results across related papers to reconstruct research development chains. This task introduces key challenges, including temporally aligning loosely structured methods and standardizing heterogeneous experimental tables. We present ResearchPulse, an agent-based framework that integrates instruction planning, scientific content extraction, and structured visualization. It consists of three coordinated agents: a Plan Agent for task decomposition, a Mmap-Agent that constructs motivation-method mind maps, and a Lchart-Agent that synthesizes experimental line charts. To support this task, we introduce ResearchPulse-Bench, a citation-aware benchmark of annotated paper clusters. Experiments show that our system, despite using 7B-scale agents, consistently outperforms strong baselines like GPT-4o in semantic alignment, structural consistency, and visual fidelity. The dataset are available in https://huggingface.co/datasets/ResearchPulse/ResearchPulse-Bench.
• Abstract（参考訳）: 科学的アイデアの進化を理解するには、個々の論文を要約する以上のことが必要です。 本研究では,研究の連鎖を再構築するために,多文書科学的推論を定式化し,モチベーション,方法論,実験結果の抽出・調整を行う。 この課題は、ゆるやかに構造化されたメソッドの時間的整合化や、異種実験表の標準化など、重要な課題を提起する。 提案するResearchPulseは,指導計画,科学コンテンツ抽出,構造化可視化を統合したエージェントベースのフレームワークである。 タスク分解のための計画エージェント、モチベーション・メソッド・マインドマップを構成するMmap-Agent、実験線グラフを合成するLchart-Agentの3つの協調エージェントで構成されている。 このタスクを支援するために、注釈付き紙クラスターの引用対応ベンチマークであるResearchPulse-Benchを紹介する。 実験の結果,GPT-4oのセマンティックアライメント,構造的整合性,視覚的忠実度などにおいて,GPT-4oの強いベースラインを一貫して上回っていることがわかった。 データセットはhttps://huggingface.co/datasets/ResearchPulse/ResearchPulse-Benchで公開されている。

関連論文リスト

• PosterForest: Hierarchical Multi-Agent Collaboration for Scientific Poster Generation [28.02969134846803]
  文書構造と視覚的・テキスト的関係を共同で符号化する階層型中間表現であるtextitPoster Tree を導入する。 本フレームワークでは,コンテンツ要約とレイアウト計画を専門とするエージェントが反復的に協調し,相互にフィードバックを提供するマルチエージェント協調戦略を採用している。
  論文  参考訳（メタデータ） (2025-08-29T15:36:06Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• Enhancing Abstractive Summarization of Scientific Papers Using Structure Information [6.414732533433283]
  本稿では,学術論文における構造的機能の自動認識を活用する2段階の抽象的要約フレームワークを提案する。 第1段階では,多くの学術論文から章題を標準化し,構造関数認識のための大規模データセットを構築した。 第2段階では、Longformerを用いて、セクション間のリッチなコンテキスト関係をキャプチャし、コンテキスト対応の要約を生成する。
  論文  参考訳（メタデータ） (2025-05-20T10:34:45Z)
• Science Hierarchography: Hierarchical Organization of Science Literature [20.182213614072836]
  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 HIERARCHOGRAPHYを動機付けている。 我々は、効率的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たハイブリッドアプローチを開発した。 その結果,本手法は解釈可能性を改善し,科学的文献を探索するための代替経路を提供することがわかった。
  論文  参考訳（メタデータ） (2025-04-18T17:59:29Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)
• ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
  学術論文からN-ary関係を抽出する問題について考察する。 提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-10-26T02:28:02Z)
• Abstract, Rationale, Stance: A Joint Model for Scientific Claim Verification [18.330265729989843]
  我々は,3つのタスクのモジュールを,機械読解フレームワークを用いて共同で学習するアプローチをARSJointとして提案する。 ベンチマークデータセットSciFactの実験結果は、我々のアプローチが既存の作業より優れていることを示している。
  論文  参考訳（メタデータ） (2021-09-13T10:07:26Z)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• Alchemy: A structured task distribution for meta-reinforcement learning [52.75769317355963]
  本稿では,構造的リッチネスと構造的透明性を組み合わせたメタRL研究のための新しいベンチマークを提案する。 Alchemyは3Dビデオゲームで、エピソードからエピソードまで手続き的に再サンプリングされる潜伏した因果構造を含んでいる。 本稿では,アルケミーの強力なRL剤について検討し,その1つについて詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-02-04T23:40:44Z)

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。