論文の概要: amc: The Automated Mission Classifier for Telescope Bibliographies

• arxiv url: http://arxiv.org/abs/2512.11202v1
• Date: Fri, 12 Dec 2025 01:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.614887
• Title: amc: The Automated Mission Classifier for Telescope Bibliographies
• Title（参考訳）: amc: 望遠鏡伝記のための自動ミッション分類器
• Authors: John F. Wu, Joshua E. G. Peek, Sophie J. Miller, Jenny Novacescu, Achu J. Usha, Christopher A. Wilkinson,
• Abstract要約: 改良版のamcはTRACS Kaggleチャレンジでよく機能する。 Amcは過去のデータセットを問合せしたり、潜在的なラベルエラーを検出できる。
• 参考スコア（独自算出の注目度）: 0.10262304700896198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Telescope bibliographies record the pulse of astronomy research by capturing publication statistics and citation metrics for telescope facilities. Robust and scalable bibliographies ensure that we can measure the scientific impact of our facilities and archives. However, the growing rate of publications threatens to outpace our ability to manually label astronomical literature. We therefore present the Automated Mission Classifier (amc), a tool that uses large language models (LLMs) to identify and categorize telescope references by processing large quantities of paper text. A modified version of amc performs well on the TRACS Kaggle challenge, achieving a macro $F_1$ score of 0.84 on the held-out test set. amc is valuable for other telescopes beyond TRACS; we developed the initial software for identifying papers that featured scientific results by NASA missions. Additionally, we investigate how amc can also be used to interrogate historical datasets and surface potential label errors. Our work demonstrates that LLM-based applications offer powerful and scalable assistance for library sciences.
• Abstract（参考訳）: 望遠鏡書誌は、天文学研究の脈波を、望遠鏡施設の公表統計と引用メトリクスを収集することによって記録している。 ロバストでスケーラブルな書誌は、我々の施設やアーカイブの科学的影響を測定することができる。 しかし、出版物の増加は、天文文献を手動でラベル付けする能力を上回る恐れがある。 そこで我々は,大規模な言語モデル (LLM) を用いて大量の文書を処理して望遠鏡の参照を識別・分類するツールであるAutomated Mission Classifier (amc) を提案する。 改良版のamcはTRACS Kaggleチャレンジでうまく動作し、ホールドアウトテストセットでマクロ$F_1$スコア0.84を達成する。 私たちは、NASAのミッションによる科学的成果を特徴とする論文を特定するための最初のソフトウェアを開発しました。 さらに,AMCを用いて過去のデータセットを問合せし,潜在的なラベルエラーを検知する方法について検討する。 我々の研究は、LLMベースのアプリケーションが図書館科学に強力でスケーラブルな支援を提供することを示す。

関連論文リスト

• Encoder Fine-tuning with Stochastic Sampling Outperforms Open-weight GPT in Astronomy Knowledge Extraction [11.478263835391433]
  本稿では,天文学記事から知識を抽出するエンコーダに基づくシステムを提案する。 我々のシステムは、単純で低コストな実装であるにもかかわらず、オープンウェイトGPTベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-11T13:08:30Z)
• AstroVisBench: A Code Benchmark for Scientific Computing and Visualization in Astronomy [39.94582666929051]
  AstroVisBenchは天文学領域における科学計算と可視化の両方のための最初のベンチマークである。 本稿では,最先端言語モデルの評価を行い,天文学研究に有用なアシスタントとして携わる能力に大きなギャップがあることを示す。
  論文  参考訳（メタデータ） (2025-05-26T21:49:18Z)
• SciAgent: Tool-augmented Language Models for Scientific Reasoning [129.51442677710452]
  ツール強化科学推論という新しいタスク設定を導入する。 この設定は、スケーラブルなツールセットでLarge Language Modelsを補完する。 約3万のサンプルと約6,000のツールを含むツール拡張トレーニングコーパスであるMathFuncを構築した。 MathFunc上に構築したSciAgentは,科学的な問題解決のためのツールを検索し,理解し,必要に応じて利用する。
  論文  参考訳（メタデータ） (2024-02-18T04:19:44Z)
• Building astroBERT, a language model for Astronomy & Astrophysics [1.4587241287997816]
  我々は、NASA Astrophysics Data System (ADS)データセットに、最新の機械学習と自然言語処理技術を適用している。 われわれはGoogleの研究に基づく文脈的言語モデルであるastroBERTをトレーニングしています。 AstroBERTを使用することで、ADSデータセットの強化と発見性の向上を目標とし、特に、独自のエンティティ認識ツールを開発しています。
  論文  参考訳（メタデータ） (2021-12-01T16:01:46Z)
• 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)
• Self-Supervised Representation Learning for Astronomical Images [1.0499611180329804]
  自己教師付き学習は,意味的に有用なスカイサーベイ画像の表現を復元する。 本手法は,教師付きモデルの2-4倍のラベルをトレーニングに使用しながら,精度を向上できることを示す。
  論文  参考訳（メタデータ） (2020-12-24T03:25:36Z)
• Smart obervation method with wide field small aperture telescopes for real time transient detection [8.751383520994425]
  我々は、リアルタイムなトランジット検出のためのARGUS (Astronomical taRGets Detection framework for Unified telescopes)を提案する。 ARGUSは、各WFSATの組み込みデバイスに実装されたディープラーニングベースの天文学的検出アルゴリズムを使用して、天文学的ターゲットを検出する。 シミュレーションデータを用いてARGUSの性能を検証し,一過性検出タスクにおけるWFSATの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-11-20T13:48:32Z)

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。