論文の概要: Tensor Manifold-Based Graph-Vector Fusion for AI-Native Academic Literature Retrieval

• arxiv url: http://arxiv.org/abs/2604.16416v1
• Date: Thu, 02 Apr 2026 10:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 07:02:53.02407
• Title: Tensor Manifold-Based Graph-Vector Fusion for AI-Native Academic Literature Retrieval
• Title（参考訳）: AI-Native Academic Literature RetrievalのためのTensor Manifold-based Graph-Vector Fusion
• Authors: Xing Wei, Yang Yu,
• Abstract要約: 大規模言語モデルとAIエージェントの急速な開発は、学術文献検索のパラダイムシフトを引き起こしている。 既存のグラフベクトル融合法は、マトリックス依存、ストレージの爆発、セマンティックな希釈、AIネイティブサポートの欠如といったボトルネックに直面している。 本稿では,テンソル多様体理論に基づく幾何統一グラフベクトル融合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.594125645812907
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The rapid development of large language models and AI agents has triggered a paradigm shift in academic literature retrieval, putting forward new demands for fine-grained, time-aware, and programmable retrieval. Existing graph-vector fusion methods still face bottlenecks such as matrix dependence, storage explosion, semantic dilution, and lack of AI-native support. This paper proposes a geometry-unified graph-vector fusion framework based on tensor manifold theory, which formally proves that an academic literature graph is a discrete projection of a tensor manifold, realizing the native unification of graph topology and vector geometric embedding. Based on this theoretical conclusion, we design four core modules: matrix-independent temporal diffusion signature update, hierarchical temporal manifold encoding, temporal Riemannian manifold indexing, and AI-agent programmable retrieval. Theoretical analysis and complexity proof show that all core algorithms have linear time and space complexity, which can adapt to large-scale dynamic academic literature graphs. This research provides a new theoretical framework and engineering solution for AI-native academic literature retrieval, promoting the industrial application of graph-vector fusion technology in the academic field.
• Abstract（参考訳）: 大規模言語モデルとAIエージェントの急速な開発は、学術文献検索のパラダイムシフトを引き起こし、細粒度、時間認識、プログラム可能な検索に対する新たな要求を推し進めている。 既存のグラフベクトル融合法は、マトリックス依存、ストレージの爆発、セマンティックな希釈、AIネイティブサポートの欠如といったボトルネックに直面している。 本稿では、テンソル多様体理論に基づく幾何学統一グラフベクトル融合フレームワークを提案する。これは、学術文献グラフがテンソル多様体の離散射影であることを正式に証明し、グラフ位相のネイティブ統一とベクトル幾何学埋め込みを実現する。 この理論的な結論に基づき、行列非依存の時間拡散署名更新、階層的時間多様体符号化、時間的リーマン多様体インデックス化、AIエージェントプログラム可能な検索の4つのコアモジュールを設計する。 理論的解析と複雑性の証明は、全てのコアアルゴリズムが線形時間と空間の複雑さを持ち、大規模な動的学術文献グラフに適応できることを示している。 この研究は、AIネイティブな学術文献検索のための新たな理論的枠組みとエンジニアリングソリューションを提供し、学術分野におけるグラフベクトル融合技術の産業的応用を促進する。

関連論文リスト

• Riemannian Geometry Speaks Louder Than Words: From Graph Foundation Model to Next-Generation Graph Intelligence [51.30336200738606]
  グラフ基礎モデル(GFM)がグラフ学習に不可欠であるという強い合意がある。 LLM(Large Language Models)に類似した強力で汎用的なGFMを構築する方法については、かなりの意見の相違が続いている。
  論文  参考訳（メタデータ） (2026-03-23T05:49:19Z)
• Intelligent Scientific Literature Explorer using Machine Learning (ISLE) [0.797970449705065]
  本稿では,大規模データ取得,ハイブリッド検索,セマンティックトピックモデリング,異種知識グラフ構築を組み合わせた科学文献探索システムを提案する。 提案するフレームワークは,AIによる科学的発見の基盤となる。
  論文  参考訳（メタデータ） (2025-12-14T16:54:24Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• The Discovery Engine: A Framework for AI-Driven Synthesis and Navigation of Scientific Knowledge Landscapes [0.0]
  本稿では,文献を科学的領域の統一的,計算的に抽出可能な表現に変換するフレームワークであるDiscovery Engineを紹介する。 Discovery Engineは、AIが強化した科学調査と発見の加速のための新しいパラダイムを提供する。
  論文  参考訳（メタデータ） (2025-05-23T05:51:34Z)
• Harnessing Scale and Physics: A Multi-Graph Neural Operator Framework for PDEs on Arbitrary Geometries [9.954826518381468]
  本稿では、任意ジオメトリ上のPDEを効率的に解くために設計されたマルチグラフニューラル演算子であるAMG法を提案する。 AMGは、新しいGraphFormerアーキテクチャにおいて、高度なグラフベースの技術と動的アテンションメカニズムを活用する。 6つのベンチマークでAMGを総合的に評価し、既存の最先端モデルよりも一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-11-18T12:35:03Z)
• Provable Tensor Completion with Graph Information [49.08648842312456]
  本稿では,動的グラフ正規化テンソル完備問題の解法として,新しいモデル,理論,アルゴリズムを提案する。 我々はテンソルの低ランクおよび類似度構造を同時に捉える包括的モデルを開発する。 理論の観点からは、提案したグラフの滑らか度正規化と重み付きテンソル核ノルムとの整合性を示す。
  論文  参考訳（メタデータ） (2023-10-04T02:55:10Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Learning Time-Varying Graphs from Online Data [39.21234914444073]
  本研究では,オンラインデータから時間変化グラフを学習するアルゴリズムフレームワークを提案する。 モデルに依存しない、すなわち抽象的な定式化において理論的に解析することができる。 フレームワークを3つのよく知られたグラフ学習モデル、すなわちガウス図形モデル(GGM)、構造方程式モデル(SEM)、滑らか性に基づくモデル(SBM)に特化する。
  論文  参考訳（メタデータ） (2021-10-21T09:46:44Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。