論文の概要: Intern-Atlas: A Methodological Evolution Graph as Research Infrastructure for AI Scientists

• arxiv url: http://arxiv.org/abs/2604.28158v1
• Date: Thu, 30 Apr 2026 17:44:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.233546
• Title: Intern-Atlas: A Methodological Evolution Graph as Research Infrastructure for AI Scientists
• Title（参考訳）: インターン・アトラス:AI科学者のための研究基盤としての方法論的進化グラフ
• Authors: Yujun Wu, Dongxu Zhang, Xinchen Li, Jinhang Xu, Yiling Duan, Yumou Liu, Jiabao Pan, Xuanhe Zhou, Jingxuan Wei, Siyuan Li, Jintao Chen, Conghui He, Cheng Tan,
• Abstract要約: Intern-Atlasはメソッドレベルのエンティティを自動的に識別する方法論進化グラフである。 AIカンファレンス、ジャーナル、arXivプレプリントにまたがる1,030,314の論文から構築されたグラフは、9,410,201のセマンティックな型付けエッジで構成されている。
• 参考スコア（独自算出の注目度）: 36.195198097542466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing research infrastructure is fundamentally document-centric, providing citation links between papers but lacking explicit representations of methodological evolution. In particular, it does not capture the structured relationships that explain how and why research methods emerge, adapt, and build upon one another. With the rise of AI-driven research agents as a new class of consumers of scientific knowledge, this limitation becomes increasingly consequential, as such agents cannot reliably reconstruct method evolution topologies from unstructured text. We introduce Intern-Atlas, a methodological evolution graph that automatically identifies method-level entities, infers lineage relationships among methodologies, and captures the bottlenecks that drive transitions between successive innovations. Built from 1,030,314 papers spanning AI conferences, journals, and arXiv preprints, the resulting graph comprises 9,410,201 semantically typed edges, each grounded in verbatim source evidence, forming a queryable causal network of methodological development. To operationalize this structure, we further propose a self-guided temporal tree search algorithm for constructing evolution chains that trace the progression of methods over time. We evaluate the quality of the resulting graph against expert-curated ground-truth evolution chains and observe strong alignment. In addition, we demonstrate that Intern-Atlas enables downstream applications in idea evaluation and automated idea generation. We position methodological evolution graphs as a foundational data layer for the emerging automated scientific discovery.
• Abstract（参考訳）: 既存の研究基盤は基本的に文書中心であり、論文間の引用リンクを提供するが、方法論的進化の明確な表現は欠如している。 特に、どのように、なぜ研究手法が出現し、適応し、構築されるのかを説明する構造化された関係を捉えない。 AIを駆使した研究エージェントが科学知識の新たな消費階級として台頭するにつれ、そのようなエージェントは構造化されていないテキストからメソッドの進化トポロジを確実に再構築できないため、この制限は次第に合理化されていく。 Intern-Atlasは、メソッドレベルのエンティティを自動的に識別し、方法論間の系統関係を推論し、連続するイノベーション間の遷移を駆動するボトルネックをキャプチャする方法論進化グラフである。 AIカンファレンス、ジャーナル、arXivのプレプリントにまたがる1,030,314の論文から構築されたグラフは、9,410,201のセマンティックな型付けエッジで構成され、それぞれに冗長なソースエビデンスを根拠として、方法論開発のためのクエリ可能な因果ネットワークを形成している。 この構造を運用するために、時間とともにメソッドの進行を辿る進化連鎖を構築するための自己誘導時間木探索アルゴリズムを提案する。 提案手法は,専門家による地下構造進化連鎖に対して得られたグラフの品質を評価し,強いアライメントを観察する。 さらに、Intern-Atlasは、アイデア評価と自動アイデア生成において、下流アプリケーションを可能にすることを実証する。 我々は、方法論的進化グラフを、新たな自動科学的発見の基盤となるデータ層として位置づける。

関連論文リスト

• AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
  既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。 マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。 エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
  論文  参考訳（メタデータ） (2026-03-25T15:16:51Z)
• 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)
• GoAI: Enhancing AI Students' Learning Paths and Idea Generation via Graph of AI Ideas [25.639879648688208]
  GoAIは、AI研究論文から教育知識グラフを構築するためのツールである。 私たちが構築したナレッジグラフのノードには、論文やコンセプト、スキル、ツールといった必要不可欠な知識が含まれています。 学生が特定の論文を検索すると、ビームサーチに基づく経路探索法がフィールドの現況を辿ることができる。
  論文  参考訳（メタデータ） (2025-03-11T15:36:38Z)
• Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks [0.0]
  エージェント型で自律的なグラフ拡張フレームワークを提案し、そこで知識を反復的に構造化し、洗練する。 各ステップにおいて、システムは、新しい概念と関係を積極的に生成し、それらをグローバルグラフにマージし、その進化した構造に基づいて後続のプロンプトを定式化する。 分析の結果,高度に連結された「ハブ」の概念の台頭や「ブリッジ」ノードのシフトの影響など,創発的なパターンが明らかとなり,エージェント的,自己強化的なグラフ構築がオープンで一貫性のある知識構造をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2025-02-18T16:44:42Z)
• Perturbation Ontology based Graph Attention Networks [26.95077612390953]
  Ontology-based Graph Attention Networks (POGAT) は、オントロジーのサブグラフと高度な自己教師付き学習パラダイムを組み合わせて、深い文脈理解を実現する新しい方法論である。 POGATは最先端のベースラインを大幅に上回り、リンク予測のクリティカルタスクはF1スコアで10.78%、ノード分類のクリティカルタスクはMicro-F1で12.01%という画期的な改善を実現している。
  論文  参考訳（メタデータ） (2024-11-27T17:12:14Z)
• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オンロジはドメインの知識とメタデータを表現するために広く使われている。 直接支援できる論理的推論は、学習、近似、予測において非常に限られています。 1つの簡単な解決策は、統計分析と機械学習を統合することである。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• Learning-Based Link Anomaly Detection in Continuous-Time Dynamic Graphs [2.1199214954570653]
  連続時間動的グラフにおける異常検出は、学習アルゴリズムの文脈ではまだ未探索の分野である。 我々は,リンクレベルの異常とグラフ表現学習の先駆的構造解析を行い,分類的に異常なグラフリンクを同定した。
  論文  参考訳（メタデータ） (2024-05-28T11:05:41Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。