論文の概要: Modeling Changing Scientific Concepts with Complex Networks: A Case Study on the Chemical Revolution
- arxiv url: http://arxiv.org/abs/2603.17594v1
- Date: Wed, 18 Mar 2026 11:08:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.65889
- Title: Modeling Changing Scientific Concepts with Complex Networks: A Case Study on the Chemical Revolution
- Title（参考訳）: 複雑なネットワークによる科学概念の変化のモデル化:化学革命を事例として
- Authors: Sofía Aguilar-Valdez, Stefania Degaetano-Ortlieb,
- Abstract要約: トピックに基づく複雑なネットワークを通して,プロトタイプの概念を表現するフレームワークを開発する。
その結果,オノマシロジカルな変化は高いエントロピーとトポロジカルな密度と結びつき,アイデアの多様性と接続性の向上が示唆された。
- 参考スコア（独自算出の注目度）: 0.03437656066916039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While context embeddings produced by LLMs can be used to estimate conceptual change, these representations are often not interpretable nor time-aware. Moreover, bias augmentation in historical data poses a non-trivial risk to researchers in the Digital Humanities. Hence, to model reliable concept trajectories in evolving scholarship, in this work we develop a framework that represents prototypical concepts through complex networks based on topics. Utilizing the Royal Society Corpus, we analyzed two competing theories from the Chemical Revolution (phlogiston vs. oxygen) as a case study to show that onomasiological change is linked to higher entropy and topological density, indicating increased diversity of ideas and connectivity effort.
- Abstract（参考訳）: LLMによって生成されたコンテキスト埋め込みは概念的変化を推定するために用いられるが、これらの表現は解釈可能でも時間認識でもないことが多い。
さらに、歴史的データにおけるバイアスの増大は、デジタル・ヒューマニティズ(Digital Humanities)の研究者には非自明なリスクをもたらす。
したがって、進化する学問において信頼性の高い概念軌跡をモデル化するために、トピックに基づく複雑なネットワークを通して原型概念を表現するフレームワークを開発する。
ロイヤル・ソサエティ・コーパス(Royal Society Corpus)を用いて化学革命(フォロメロン対酸素)の競合する2つの理論をケーススタディとして分析し、オノマシロジカルな変化がより高いエントロピーとトポロジカルな密度に結びついていることを示し、アイデアの多様性と接続性の向上を示唆した。
関連論文リスト
- OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。
OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。
我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文 参考訳（メタデータ） (2026-03-16T18:29:01Z) - Scientific Image Synthesis: Benchmarking, Methodologies, and Downstream Utility [57.83550091882176]
生成パラダイム,評価,下流利用における科学的画像合成について検討する。
本稿では,情報の有用性と論理的妥当性に基づいて生成した画像を評価するSciGenBenchを紹介する。
厳密に検証された合成科学画像上の微調整された大規模マルチモーダルモデルにより、一貫した推論ゲインが得られることを示す。
論文 参考訳（メタデータ） (2026-01-17T14:18:36Z) - Introduction to Symbolic Regression in the Physical Sciences [0.41998444721319217]
記号回帰は、データから解釈可能な数学的関係を明らかにする強力な方法として登場した。
本稿は,2025年4月に開催された王立協会の討論会をモチベーションとした,物理科学の象徴的回帰に関する特集を紹介する。
論文 参考訳（メタデータ） (2025-12-17T19:32:50Z) - Explaining Concept Drift through the Evolution of Group Counterfactuals [2.7859337708965395]
本稿では,グループベースの対実的説明の時間的進化を分析することによって,概念の漂流を説明する新しい手法を提案する。
我々のアプローチは、漂流前後のGCEのクラスターセントロイドとその関連する反実効ベクトルの変化を追跡する。
論文 参考訳（メタデータ） (2025-09-11T16:58:34Z) - Symbolic Foundation Regressor on Complex Networks [8.438758359789462]
我々は,多数の相互作用変数で複雑なデータを圧縮できる,事前学習されたシンボルベースレジストレータを提案する。
我々のモデルは、ネットワーク以外の記号回帰、複雑なネットワークにおける記号回帰、および様々なドメインにわたるネットワークダイナミクスの推論について厳密に検証されてきた。
論文 参考訳（メタデータ） (2025-05-28T01:53:29Z) - CORAL: Concept Drift Representation Learning for Co-evolving Time-series [6.4314326272535896]
概念ドリフトは従来の分析モデルの信頼性と精度に影響を与える。
本稿では,時系列を進化するエコシステムとしてモデル化し,概念ドリフトの表現を学習する手法であるCoRALを提案する。
論文 参考訳（メタデータ） (2025-01-02T15:09:00Z) - Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。
我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。
我々は、理論的な主張を合成データ実験で裏付ける。
論文 参考訳（メタデータ） (2024-06-01T18:01:03Z) - Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳（メタデータ） (2023-11-30T15:46:22Z)
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。