論文の概要: INQUIRE-Search: A Framework for Interactive Discovery in Large-Scale Biodiversity Databases

• arxiv url: http://arxiv.org/abs/2511.15656v1
• Date: Wed, 19 Nov 2025 17:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.927379
• Title: INQUIRE-Search: A Framework for Interactive Discovery in Large-Scale Biodiversity Databases
• Title（参考訳）: INQUIRE-Search: 大規模生物多様性データベースにおけるインタラクティブな発見のためのフレームワーク
• Authors: Edward Vendrow, Julia Chae, Rupa Kurinchi-Vendhan, Isaac Eckert, Jazlynn Hall, Marta Jarzyna, Reymond Miyajima, Ruth Oliver, Laura Pollock, Lauren Schrack, Scott Yanco, Oisin Mac Aodha, Sara Beery,
• Abstract要約: INQUIRE-Searchは、科学者が生態画像データベース内で迅速かつインタラクティブに検索できるオープンソースのシステムである。 InQUIRE-Searchのようなツールがサポートする科学的応用の多様性を示す。
• 参考スコア（独自算出の注目度）: 19.569666968746166
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large community science platforms such as iNaturalist contain hundreds of millions of biodiversity images that often capture ecological context on behaviors, interactions, phenology, and habitat. Yet most ecological workflows rely on metadata filtering or manual inspection, leaving this secondary information inaccessible at scale. We introduce INQUIRE-Search, an open-source system that enables scientists to rapidly and interactively search within an ecological image database for specific concepts using natural language, verify and export relevant observations, and utilize this discovered data for novel scientific analysis. Compared to traditional methods, INQUIRE-Search takes a fraction of the time, opening up new possibilities for scientific questions that can be explored. Through five case studies, we show the diversity of scientific applications that a tool like INQUIRE-Search can support, from seasonal variation in behavior across species to forest regrowth after wildfires. These examples demonstrate a new paradigm for interactive, efficient, and scalable scientific discovery that can begin to unlock previously inaccessible scientific value in large-scale biodiversity datasets. Finally, we emphasize using such AI-enabled discovery tools for science call for experts to reframe the priorities of the scientific process and develop novel methods for experiment design, data collection, survey effort, and uncertainty analysis.
• Abstract（参考訳）: iNaturalistのような大規模なコミュニティ科学プラットフォームには、行動、相互作用、表現学、生息地に関する生態学的文脈をしばしば捉える、何十億もの生物多様性の画像が含まれている。 しかし、ほとんどの生態学的ワークフローはメタデータフィルタリングや手動検査に依存しており、この二次情報は大規模にはアクセスできない。 InQUIRE-Searchは、自然言語を用いて生態画像データベース内の特定の概念を迅速かつインタラクティブに探索し、関連する観測結果の検証とエクスポートを可能にし、この発見データを新しい科学的分析に活用するオープンソースシステムである。 従来の手法と比較して、INQUIRE-Searchは時間の一部を要し、探索可能な科学的疑問の新しい可能性を開く。 5つのケーススタディを通じて、INQUIRE-Searchのようなツールが支援できる科学的応用の多様性を示す。 これらの例は、対話的で効率的でスケーラブルな科学的発見のための新しいパラダイムを示しており、大規模な生物多様性データセットにおいて、これまでアクセス不能だった科学的価値を解き放ち始めることができる。 最後に、専門家が科学プロセスの優先順位を再設定し、実験設計、データ収集、調査努力、不確実性分析のための新しい方法を開発するように求める科学的な目的のために、このようなAI対応の発見ツールを使用することを強調します。

関連論文リスト

• Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics [82.55776608452017]
  大規模言語モデル(LLM)は、人間の科学者、自然言語、コンピュータ言語とコード、物理学との相互作用を編成する柔軟性と汎用性を備えたフレームワークを提供する。 本稿では, LLMを基盤とした科学エージェントの展望と展望と, 科学発見のライフサイクルを変革する上でのその役割について述べる。 オープンな研究課題を特定し、より堅牢で汎用的で適応的な科学エージェントを構築するための有望な方向性を概説する。
  論文  参考訳（メタデータ） (2025-10-10T22:26:26Z)
• Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
  この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。 本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。 実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
  論文  参考訳（メタデータ） (2025-10-08T08:47:07Z)
• Flow Matching Meets Biology and Life Science: A Survey [65.2146737141455]
  拡散に基づく生成モデリングの強力な代替手段としてフローマッチングが登場した。 本稿では,フローマッチングの最近の進歩とその生物学的領域への応用に関する包括的調査について述べる。
  論文  参考訳（メタデータ） (2025-07-23T17:44:29Z)
• Mining for Species, Locations, Habitats, and Ecosystems from Scientific Papers in Invasion Biology: A Large-Scale Exploratory Study with Large Language Models [6.364723262453785]
  本稿では,大規模言語モデル(LLM)の機能を利用して,侵略生物学の文献から重要な生態要素を抽出する。 具体的には、種名、生息地、生息地、生態系を抽出することに焦点を当て、種の普及を理解する上で重要な情報である。 この研究は、研究者や実践者が生物学的侵略を理解し、管理するのに役立つ、より高度で自動化された知識抽出ツールの基盤となる。
  論文  参考訳（メタデータ） (2025-01-30T11:55:44Z)
• A Review of BioTree Construction in the Context of Information Fusion: Priors, Methods, Applications and Trends [41.740569399988644]
  生物学的ツリー解析(BioTree)は生物学の基礎的なツールであり、進化と分化の探索を可能にする。 伝統的な木構築法は、現代の生物学的データの複雑さとスケールの増大に対処する上で、課題に直面している。 ディープラーニング(DL)の進歩は、生物学的事前知識とデータ駆動モデルとの融合を可能にすることによって、変革的な機会を提供する。
  論文  参考訳（メタデータ） (2024-10-07T08:00:41Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Modeling Information Change in Science Communication with Semantically Matched Paraphrases [50.67030449927206]
  SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。 SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。 SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2022-10-24T07:44:38Z)
• Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook [8.3226670069051]
  本稿では,海洋生態学者と計算機科学者のギャップを埋めることを目的としている。 本研究では, 一般的な深層学習手法を, 平易な言語における生態データ分析に適用する。 我々は,海洋生態学への深層学習の確立と新たな応用を通じて,課題と機会を解説する。
  論文  参考訳（メタデータ） (2021-09-29T21:59:16Z)

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。