論文の概要: FOS: A Large-Scale Temporal Graph Benchmark for Scientific Interdisciplinary Link Prediction

• arxiv url: http://arxiv.org/abs/2511.18631v1
• Date: Sun, 23 Nov 2025 22:08:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.939985
• Title: FOS: A Large-Scale Temporal Graph Benchmark for Scientific Interdisciplinary Link Prediction
• Title（参考訳）: FOS: 科学的学際リンク予測のための大規模時間グラフベンチマーク
• Authors: Kiyan Rezaee, Morteza Ziabakhsh, Niloofar Nikfarjam, Mohammad M. Ghassemi, Yazdan Rezaee Jouryabi, Sadegh Eskandari, Reza Lashgari,
• Abstract要約: 学際的な科学的ブレークスルーはほとんど予期せず現れ、新しい研究分野の形成を予測することは大きな課題である。 FOS(Future of Science)は、65,027のサブフィールドの年次共起グラフを再構成する、総合的なタイムアウェアグラフベースのベンチマークである。 これらのグラフでは、エッジは1つの出版物における2つのフィールドの共起を表し、対応する出版年とタイムスタンプされる。 我々は,時間的リンク予測タスクとして新たなフィールドペアリンクの予測を定式化し,学際的方向の先駆的な方向を示す「初回」接続を強調した。
• 参考スコア（独自算出の注目度）: 2.9549047539453395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interdisciplinary scientific breakthroughs mostly emerge unexpectedly, and forecasting the formation of novel research fields remains a major challenge. We introduce FOS (Future Of Science), a comprehensive time-aware graph-based benchmark that reconstructs annual co-occurrence graphs of 65,027 research sub-fields (spanning 19 general domains) over the period 1827-2024. In these graphs, edges denote the co-occurrence of two fields in a single publication and are timestamped with the corresponding publication year. Nodes are enriched with semantic embeddings, and edges are characterized by temporal and topological descriptors. We formulate the prediction of new field-pair linkages as a temporal link-prediction task, emphasizing the "first-time" connections that signify pioneering interdisciplinary directions. Through extensive experiments, we evaluate a suite of state-of-the-art temporal graph architectures under multiple negative-sampling regimes and show that (i) embedding long-form textual descriptions of fields significantly boosts prediction accuracy, and (ii) distinct model classes excel under different evaluation settings. Case analyses show that top-ranked link predictions on FOS align with field pairings that emerge in subsequent years of academic publications. We publicly release FOS, along with its temporal data splits and evaluation code, to establish a reproducible benchmark for advancing research in predicting scientific frontiers.
• Abstract（参考訳）: 学際的な科学的ブレークスルーはほとんど予期せず現れ、新しい研究分野の形成を予測することは大きな課題である。 FOS(Future of Science)は、1827年から2024年の間に65,027の研究サブフィールド(19の一般ドメイン)の年次共起グラフを再構成した、総合的な時間認識グラフベースのベンチマークである。 これらのグラフでは、エッジは1つの出版物における2つのフィールドの共起を表し、対応する出版年とタイムスタンプされる。 ノードはセマンティックな埋め込みで豊かになり、エッジは時間的および位相的記述子によって特徴づけられる。 我々は,時間的リンク予測タスクとして新たなフィールドペアリンクの予測を定式化し,学際的方向の先駆的な方向を示す「初回」接続を強調した。 広範な実験を通じて,複数の負サンプリング条件下での最先端の時間グラフアーキテクチャの評価を行い,その有効性を示す。 一 フィールドの長文記述の埋め込みにより予測精度が著しく向上し、 (ii)異なる評価設定の下で異なるモデルクラスが排他的になる。 事例分析では、FOS上の上位リンク予測は、その後の学術論文で現れるフィールドペアリングと一致している。 我々は、FOSと、その時間的データ分割と評価コードとを共同で公開し、科学的フロンティアの予測研究を進めるための再現可能なベンチマークを確立する。

関連論文リスト

• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• A Systematic Literature Review of Spatio-Temporal Graph Neural Network Models for Time Series Forecasting and Classification [6.0066735457874145]
  この体系的なレビューは、時系列予測と予測のための様々なモデリングアプローチとGNNの応用の概要を提供する。 我々の知る限りでは、この論文は、現在の体系的・時間的GNNモデルから異なる領域に適用された結果の最初の、そして最も広い文献レビューである。
  論文  参考訳（メタデータ） (2024-10-29T08:05:10Z)
• Learning-Based Link Anomaly Detection in Continuous-Time Dynamic Graphs [2.1199214954570653]
  連続時間動的グラフにおける異常検出は、学習アルゴリズムの文脈ではまだ未探索の分野である。 我々は,リンクレベルの異常とグラフ表現学習の先駆的構造解析を行い,分類的に異常なグラフリンクを同定した。
  論文  参考訳（メタデータ） (2024-05-28T11:05:41Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。