論文の概要: CrossTrace: A Cross-Domain Dataset of Grounded Scientific Reasoning Traces for Hypothesis Generation
- arxiv url: http://arxiv.org/abs/2603.28924v1
- Date: Mon, 30 Mar 2026 18:55:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:02.734442
- Title: CrossTrace: A Cross-Domain Dataset of Grounded Scientific Reasoning Traces for Hypothesis Generation
- Title（参考訳）: CrossTrace:仮説生成のための地上科学推論トレースのクロスドメインデータセット
- Abstract要約: CrossTraceは、バイオメディカル研究、AI/ML、クロスドメインワークにまたがる1,389の科学的推論トレースのデータセットである。
各トレースは、確立された知識から中間的な論理段階から新しい仮説へと構造化された推論連鎖を捕捉する。
微調整のQwen2.5-7B-QLoRAによるCrossTraceのインストラクションは、未調整のベースラインよりも大幅に改善されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific hypothesis generation is a critical bottleneck in accelerating research, yet existing datasets for training and evaluating hypothesis-generating models are limited to single domains and lack explicit reasoning traces connecting prior knowledge to novel contributions. I introduce CrossTrace, a dataset of 1,389 grounded scientific reasoning traces spanning biomedical research (518), AI/ML (605), and cross-domain work (266). Each trace captures the structured reasoning chain from established knowledge through intermediate logical steps to a novel hypothesis, with every step grounded in source paper text. I define an Input/Trace/Output schema that extends the Bit-Flip-Spark framework of HypoGen with step-level verification, a taxonomy of eight discovery patterns, and multi-domain coverage. Fine-tuning Qwen2.5-7B-Instruct on CrossTrace via QLoRA yields substantial improvements over the untuned baseline: IAScore rises from 0.828 to 0.968 (GPT-4o judge) and from 0.716 to 0.888 (Claude Opus 4.5), structural compliance improves from 0% to 100%, and spark cosine similarity increases from 0.221 to 0.620. Balanced cross-domain training (biomedical + AI/ML + CS) outperforms single-domain training, providing evidence that scientific reasoning patterns transfer across disciplines. Human validation of 150 stratified records confirms 99.7% step-level grounding accuracy and a 0.0% fabrication rate. To my knowledge, CrossTrace is the first large-scale, cross-domain dataset with step-level grounded reasoning traces for hypothesis generation, and my results demonstrate that such traces are an effective training signal whose benefits are at least partially domain-general.
- Abstract（参考訳）: 科学的仮説生成は、研究の加速において重要なボトルネックであるが、仮説生成モデルの訓練と評価のための既存のデータセットは、単一のドメインに限られており、事前知識と新しい貢献を結びつける明確な推論トレースが欠如している。
バイオメディカルリサーチ(518)、AI/ML(605)、クロスドメインワーク(266)にまたがる1,389の根拠を持つ科学的推論トレースのデータセットであるCrossTraceを紹介します。
各トレースは、確立された知識から中間的な論理的なステップから新しい仮説へと、構造化された推論連鎖を捕捉する。
ステップレベルの検証、8つの発見パターンの分類、マルチドメインカバレッジで、HypoGenのBit-Flip-Sparkフレームワークを拡張したInput/Trace/Outputスキーマを定義します。
IAScore は 0.828 から 0.968 (GPT-4o judge) から 0.716 から 0.888 (Claude Opus 4.5) に上昇し、構造コンプライアンスは 0% から 100% に改善され、コサインの類似性は 0.221 から 0.620 に向上した。
バランスのとれたクロスドメイントレーニング (biomedical + AI/ML + CS) は単一ドメイントレーニングより優れており、科学的な推論パターンが分野間で伝達する証拠となる。
150の階層化された記録の人間による検証では、99.7%のステップレベルの接地精度と0.0%の加工率が確認されている。
私の知る限り、CrossTraceは仮説生成のためのステップレベル基底推論トレースを備えた最初の大規模クロスドメインデータセットです。
関連論文リスト
- EGRL: Edge generation-guided relation-aware learning for RNA-protein interaction prediction [41.17218504310278]
エッジ生成誘導型関係認識学習(EGRL)を提案する。
EGRLはいくつかの重要なコンポーネントを持つ新しいフレームワークである。
4つのベンチマークデータセットの総合的な評価は、EGRLが全体的なパフォーマンスを競争力で達成していることを示している。
論文 参考訳（メタデータ） (2026-08-13T07:47:44Z) - Evaluating Fine-Tuning and Metrics for Neural Decompilation of Dart AOT Binaries [0.0]
神経脱コンパイルにおける微調整の有効性と妥当性に関する系統的研究を行った。
CodeBLEU, compile@k, pass@k の3つの指標を用いて, 3つの基本アーキテクチャにまたがる細かなモデル変異を評価した。
Swiftトレーニングからのクロスリンガル干渉は、4B(-2.66 pp, p)で非常に重要である(ただし8Bでゼロと統計的に区別できないが、スケーリング仮説と一致している)。
論文 参考訳（メタデータ） (2026-07-07T10:36:12Z) - Fine-Tuning Over Architectural Complexity: Broad-Coverage PII Detection on PIIBench with DeBERTa [0.0]
PII検出システムは、狭いソースまたはドメイン境界内で頻繁に訓練され、異種テキストにデプロイする場合のカバレッジを制限する。
我々は,10個のソースデータセットに82個の保持されたエンティティタイプにまたがる修正されたマルチソースPIIBenchのモデル微調整について検討した。
直接トークン分類の微調整,ソース条件付き階層モデル(SC+H),3段階のカリキュラム拡張(SC+H+Curr)の3つのアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-25T13:12:42Z) - AnomalyGen: Enhancing Log-Based Anomaly Detection with Code-Guided Data Augmentation [42.87177529900358]
AnomalyGenは、ラベル付きログシーケンスをソースコードから合成することによってトレーニングデータを増強する新しいフレームワークである。
12のさまざまな異常検出モデルに対するHDFSとZookeeperの評価は、AnomalyGenが一貫してパフォーマンスを改善していることを示している。
論文 参考訳（メタデータ） (2026-04-13T07:24:43Z) - Causal Circuit Tracing Reveals Distinct Computational Architectures in Single-Cell Foundation Models: Inhibitory Dominance, Biological Coherence, and Cross-Model Convergence [0.0]
SAE特徴と下流応答を損なうことで因果回路をトレースする手法を提案する。
我々はGeneformer V2-316M と scGPT に4つの条件で適用した。
論文 参考訳（メタデータ） (2026-03-02T11:21:44Z) - Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
本報告では, YOLOv11の合成増強の制御された評価法について述べる。
実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。
データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
論文 参考訳（メタデータ） (2026-02-20T03:02:36Z) - A Comprehensive Forecasting-Based Framework for Time Series Anomaly Detection: Benchmarking on the Numenta Anomaly Benchmark (NAB) [0.0]
時系列異常検出は、現代のデジタルインフラにとって重要である。
本稿では,従来の手法をディープラーニングアーキテクチャと統合した予測ベースのフレームワークを提案する。
Numenta Anomaly Benchmark の最初の完全評価を行う。
論文 参考訳（メタデータ） (2025-10-13T08:31:42Z) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z) - Temporal Vegetation Index-Based Unsupervised Crop Stress Detection via Eigenvector-Guided Contrastive Learning [0.0]
EigenCLは、時間的NDREダイナミクスによってガイドされる教師なしのコントラスト学習フレームワークである。
データスカース農業環境における実世界の展開に適している。
論文 参考訳（メタデータ） (2025-06-03T21:06:26Z) - Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。
定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。
提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
論文 参考訳（メタデータ） (2025-05-18T21:46:45Z) - DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。
DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
論文 参考訳（メタデータ） (2025-01-08T09:08:24Z) - Drift-Resilient TabPFN: In-Context Learning Temporal Distribution Shifts on Tabular Data [39.40116554523575]
In-Context Learning with a Prior-Data Fitted Network に基づく新しいアプローチである Drift-Resilient TabPFN を提案する。
先行した合成データセットのベイズ推定を近似することを学ぶ。
精度は0.688から0.744に向上し、OC AUCは0.786から0.832に向上し、キャリブレーションも強化された。
論文 参考訳（メタデータ） (2024-11-15T23:49:23Z) - Leveraging Gradients for Unsupervised Accuracy Estimation under Distribution Shift [24.49100064042827]
グランドトルースラベルにアクセスせずにモデルのテスト性能を推定することは、難しい問題である。
テストデータ上の1段階だけを経た後に、クロスエントロピー損失から逆転した分類層勾配のノルムを用いる。
我々の直観では、これらの勾配はモデルの一般化が不十分なときに、より大きい大きさでなければならない。
論文 参考訳（メタデータ） (2024-01-17T01:33:23Z) - SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。
スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。
提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に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） (2023-11-30T03:05:14Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Automatic sleep stage classification with deep residual networks in a
mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。
総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文 参考訳（メタデータ） (2020-08-21T10:48:35Z)
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。