論文の概要: ResearchArcade: Graph Interface for Academic Tasks
- arxiv url: http://arxiv.org/abs/2511.22036v1
- Date: Thu, 27 Nov 2025 02:42:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.361768
- Title: ResearchArcade: Graph Interface for Academic Tasks
- Title（参考訳）: ResearchArcade: 学術的なタスクのためのグラフインターフェース
- Authors: Jingjun Xu, Chongshan Lin, Haofei Yu, Tao Feng, Jiaxuan You,
- Abstract要約: 我々は,複数の学術データソースを接続するグラフベースのインタフェースであるResearchArcadeを紹介する。
ResearchArcadeは、さまざまな学術的タスク定義を統一し、異なる入力要求を持つ様々なモデルをサポートする。
6つの学術課題を対象とした実験により,クロスソース情報とマルチモーダル情報を組み合わせることで,幅広いタスクが実現できることを示した。
- 参考スコア（独自算出の注目度）: 25.4720945876883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Academic research generates diverse data sources, and as researchers increasingly use machine learning to assist research tasks, a crucial question arises: Can we build a unified data interface to support the development of machine learning models for various academic tasks? Models trained on such a unified interface can better support human researchers throughout the research process, eventually accelerating knowledge discovery. In this work, we introduce ResearchArcade, a graph-based interface that connects multiple academic data sources, unifies task definitions, and supports a wide range of base models to address key academic challenges. ResearchArcade utilizes a coherent multi-table format with graph structures to organize data from different sources, including academic corpora from ArXiv and peer reviews from OpenReview, while capturing information with multiple modalities, such as text, figures, and tables. ResearchArcade also preserves temporal evolution at both the manuscript and community levels, supporting the study of paper revisions as well as broader research trends over time. Additionally, ResearchArcade unifies diverse academic task definitions and supports various models with distinct input requirements. Our experiments across six academic tasks demonstrate that combining cross-source and multi-modal information enables a broader range of tasks, while incorporating graph structures consistently improves performance over baseline methods. This highlights the effectiveness of ResearchArcade and its potential to advance research progress.
- Abstract（参考訳）: 学術研究はさまざまなデータソースを生成し、研究者が研究タスクを支援するために機械学習をますます利用しているため、重要な疑問が生じる: さまざまな学術タスクのための機械学習モデルの開発を支援するために、統一されたデータインターフェースを構築することができるか?
このような統一インターフェースで訓練されたモデルは、研究プロセス全体を通して人間の研究者を支援し、最終的には知識発見を加速させる。
本研究では,複数の学術データソースを接続し,タスク定義を統一するグラフベースのインタフェースであるResearchArcadeを紹介する。
ResearchArcadeは、グラフ構造を持つ一貫性のあるマルチテーブルフォーマットを使用して、ArXivの学術コーパスやOpenReviewのピアレビューなど、さまざまなソースからのデータを整理し、テキスト、フィギュア、テーブルなどの複数のモードで情報をキャプチャする。
ResearchArcadeはまた、原稿とコミュニティレベルでの時間的進化を保存し、ペーパーリビジョンの研究と、時間とともに広範な研究動向を支援している。
さらに、ResearchArcadeは様々な学術的タスク定義を統一し、異なる入力要求を持つ様々なモデルをサポートする。
6つの学術課題を対象とした実験により,クロスソース情報とマルチモーダル情報を組み合わせることで,より広い範囲のタスクが可能であり,グラフ構造を組み込むことで,ベースライン法よりもパフォーマンスが一貫して向上することを示した。
このことは、ResearchArcadeの有効性と研究の進歩の可能性を強調している。
関連論文リスト
- Visual Hand Gesture Recognition with Deep Learning: A Comprehensive Review of Methods, Datasets, Challenges and Future Research Directions [4.464813168730844]
このレビューは、研究者がVHGRタスクを扱うための適切な戦略を選択するのに役立つ有用なガイドラインを構成することを目的としている。
最先端技術は静的ジェスチャー認識、分離された動的ジェスチャー、連続的なジェスチャー認識という3つの主要なVHGRタスクにグループ化される。
我々の調査は、一般のコンピュータビジョン問題とドメイン固有の障害の両方を含む、VHGRにおける主要な課題を特定することで締めくくっている。
論文 参考訳（メタデータ） (2025-07-06T17:03:01Z) - From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。
静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。
我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
論文 参考訳（メタデータ） (2025-06-23T17:27:19Z) - Vision Generalist Model: A Survey [87.49797517847132]
本稿では、ビジョンジェネラリストモデルの概要を概観し、その分野におけるその特性と能力について考察する。
関連ドメインへの簡単な探索を行い、相互接続と潜在的なシナジーに光を当てます。
論文 参考訳（メタデータ） (2025-06-11T17:23:41Z) - VizCV: AI-assisted visualization of researchers' publications tracks [7.233541652625401]
VizCVは、新しいWebベースのエンドツーエンドのビジュアル分析フレームワークである。
AI支援分析を取り入れ、キャリア進化の自動報告をサポートする。
論文 参考訳（メタデータ） (2025-05-13T15:47:59Z) - Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる
この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。
本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文 参考訳（メタデータ） (2024-07-17T20:01:21Z) - Reproducibility and Geometric Intrinsic Dimensionality: An Investigation on Graph Neural Network Research [0.0]
これらの努力に基づいて構築することは、マシンラーニングにおけるもうひとつの重要な課題、すなわち次元の呪いに向かっています。
本研究は,機械学習モデルが学習対象のデータセットの拡張次元にどのような影響を受けているのかを,本質的な次元の密接な関連概念を用いて検討する。
論文 参考訳（メタデータ） (2024-03-13T11:44:30Z) - 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) - Generating Knowledge Graphs by Employing Natural Language Processing and
Machine Learning Techniques within the Scholarly Domain [1.9004296236396943]
本稿では、自然言語処理と機械学習を利用して研究論文から実体や関係を抽出する新しいアーキテクチャを提案する。
本研究では,現在最先端の自然言語処理ツールとテキストマイニングツールを用いて,知識抽出の課題に取り組む。
セマンティックWebドメイン内の論文26,827件から抽出した109,105件のトリプルを含む科学知識グラフを作成した。
論文 参考訳（メタデータ） (2020-10-28T08:31:40Z)
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。