論文の概要: Building informative materials datasets beyond targeted objectives

• arxiv url: http://arxiv.org/abs/2605.05104v1
• Date: Wed, 06 May 2026 16:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.937771
• Title: Building informative materials datasets beyond targeted objectives
• Title（参考訳）: 対象目標を超える情報資料データセットの構築
• Abstract要約: 本稿では,関心のターゲット特性に対する情報提供性を最大化するデータセット構築のためのフレームワークを提案する。 本手法では, 材料空間の広い範囲をカバーするために, 多様性を考慮した選択法を用いる。
• 参考スコア（独自算出の注目度）: 9.717203869300175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Materials science data collection can be expensive, making the reuse and long-term utility of datasets critical important for future discovery campaigns. In practice, researchers prioritize a subset of properties due to research interests. However, ignoring a subset of outcomes in data collection campaigns potentially generate datasets poorly suited for future learning tasks. Here, we present a framework for dataset construction that maximizes informativeness for target properties of interest while preserving performance on untargeted ones. Our approach uses diversity-aware selection to ensure broad coverage of the materials space. In noisy experimental dataset construction, we find that without our diversity-aware framework, prediction performance on untargeted properties can degrade by up to 40% relative to random sampling, whereas applying our framework yields improvements of up to 10% . For targeted properties, performance can degrade with respect to random sampling by up to 12.5% without diversity, while our framework achieves gains of up to 25%. Incorporating diversity into dataset construction not only preserves informativeness for the targeted properties, but also improves materials coverage for potential future objectives. As a result, the constructed datasets remain broadly informative across considered and unconsidered outcomes, ensuring unbiased quality entries and mitigating cold-start limitations in subsequent modeling and discovery campaigns.
• Abstract（参考訳）: 材料科学データ収集は高価であり、将来の発見キャンペーンにおいて重要なデータセットの再利用と長期利用を可能にする。 実際には、研究者は研究の利益のために、資産のサブセットを優先順位付けする。 しかし、データ収集キャンペーンの結果のサブセットを無視して、将来の学習タスクに適さないデータセットを生成する可能性がある。 本稿では,対象物の性能を維持しつつ,興味の対象物に対する情報提供性を最大化するデータセット構築フレームワークを提案する。 本手法では, 材料空間の広い範囲をカバーするために, 多様性を考慮した選択法を用いる。 ノイズの多い実験データセット構築では、我々の多様性を意識しないフレームワークがなければ、ターゲットのないプロパティの予測性能はランダムサンプリングと比較して最大40%低下し、一方、我々のフレームワークを適用すると最大10%の改善が得られます。 対象とするプロパティに対しては,ランダムサンプリングに関して最大12.5%の低下が可能である一方,フレームワークは最大25%のゲインを達成している。 データセット構築に多様性を組み込むことは、対象のプロパティに対する情報性を保持するだけでなく、将来的な目的のための材料カバレッジも改善する。 その結果、構築されたデータセットは、考慮された結果や考慮されていない結果に対して広範に情報的であり、不偏な品質のエントリを保証し、その後のモデリングおよび発見キャンペーンにおけるコールドスタート制限を緩和する。

関連論文リスト

• SAS: Semantic-aware Sampling for Generative Dataset Distillation [55.27114962330541]
  本稿では,コントラスト言語-画像事前学習(CLIP)をポストサンプリングのセマンティクスとして活用することで,データセット蒸留のセマンティック・アウェア・パースペクティブを導入する。 我々のゴールは、コンパクトであるだけでなく、意味的にクラス差別的で多様である蒸留データセットを得ることです。
  論文  参考訳（メタデータ） (2026-05-18T08:05:46Z)
• Beyond Features: How Dataset Design Influences Multi-Agent Trajectory Prediction Performance [37.850085364753845]
  本研究は,マルチエージェント設定における特徴選択,クロスデータセット転送,地理的多様性が軌道予測精度に与える影響について検討する。 我々は,ドイツと米国における我々のデータ記録に基づいて,我々の新しいL4モーション予測データセットを用いて最先端のモデルを評価する。
  論文  参考訳（メタデータ） (2025-07-07T15:18:51Z)
• A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
  実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。 データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。 より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:00:58Z)
• Metadata-based Data Exploration with Retrieval-Augmented Generation for Large Language Models [3.7685718201378746]
  本研究では、メタデータに基づくデータ発見を強化するために、レトリーバル拡張生成(RAG)という形式を用いた新しいデータ探索アーキテクチャを提案する。 提案フレームワークは異種データソース間の意味的類似性を評価するための新しい手法を提供する。
  論文  参考訳（メタデータ） (2024-10-05T17:11:37Z)
• LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
  本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。 我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
  論文  参考訳（メタデータ） (2024-02-06T19:18:04Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Investigating Enhancements to Contrastive Predictive Coding for Human Activity Recognition [7.086647707011785]
  コントラスト予測符号化(Contrastive Predictive Coding, CPC)は、時系列データの特性を活用して効果的な表現を学習する手法である。 本研究では,アーキテクチャ,アグリゲータネットワーク,今後のタイムステップ予測を体系的に検討し,CPCの強化を提案する。 提案手法は6つのターゲットデータセットのうち4つを大幅に改善し,アプリケーションシナリオを広範囲に拡張する能力を示した。
  論文  参考訳（メタデータ） (2022-11-11T12:54:58Z)
• The Stanford Drone Dataset is More Complex than We Think: An Analysis of Key Characteristics [2.064612766965483]
  スタンフォード・ドローン・データセット(SDD)の特徴について論じる。 この不便さがユーザに提供する情報を減らし,パフォーマンスに与える影響を実証する。 私たちの意図は、今後このデータセットに適用されるパフォーマンスとメソッドを向上させると同時に、新しいユーザのためのデータセットの明らかでない特徴を明確化することにあります。
  論文  参考訳（メタデータ） (2022-03-22T13:58:14Z)
• Representation Matters: Assessing the Importance of Subgroup Allocations in Training Data [85.43008636875345]
  訓練データにおける多様な表現は,サブグループのパフォーマンス向上と集団レベルの目標達成の鍵である。 分析と実験は、データセット構成がパフォーマンスにどのように影響するかを説明し、既存のデータにおけるトレンドとドメイン知識を用いて、意図的かつ客観的なデータセット設計を導くのに役立つ構成結果を提供する。
  論文  参考訳（メタデータ） (2021-03-05T00:27:08Z)
• DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a Trained Classifier [58.979104709647295]
  我々は、トレーニングされたネットワークの将来の学習タスクのために、利用可能なデータの豊富さと関連するデータの欠如の間のギャップを埋める。 利用可能なデータは、元のトレーニングデータセットまたは関連するドメインデータセットの不均衡なサブセットである可能性があるため、代表サンプルを検索するために使用します。 関連ドメインからのデータを活用して最先端のパフォーマンスを実現することを実証する。
  論文  参考訳（メタデータ） (2019-12-27T02:05:45Z)

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。