論文の概要: FAME: Forecasting Academic Impact via Continuous-Time Manifold Evolution

• arxiv url: http://arxiv.org/abs/2605.07208v1
• Date: Fri, 08 May 2026 03:57:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.786498
• Title: FAME: Forecasting Academic Impact via Continuous-Time Manifold Evolution
• Title（参考訳）: FAME: 継続的時間的マニフォールド進化による学術的影響予測
• Authors: Jianrong Ding, Jianyuan Zhong, Zhengyan Shi, Qiang Xu,
• Abstract要約: 大規模言語モデル(LLM)は、研究のアイデアをブレインストーミングし評価するためにますます使われています。 提案課題は,人手による原稿の衝撃予測を,検証可能なプロキシタスクとして利用することで解決する。
• 参考スコア（独自算出の注目度）: 9.700601627690466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are increasingly used to brainstorm and evaluate research ideas, yet assessing such judgments is fundamentally difficult because the true impact of a new idea may take years to emerge. We address this challenge by using the impact forecasting of human-authored manuscripts as a verifiable proxy task. In a prospective forecasting study, we find that frontier LLMs fail to reliably distinguish high-impact papers from ordinary publications, suggesting that static text-based judging is insufficient for scientific evaluation. To address this limitation, we propose $\textbf{FAME}$ ($\underline{\text{F}}$orecasting $\underline{\text{A}}$cademic Impact via Continuous-Time $\underline{\text{M}}$anifold $\underline{\text{E}}$volution), a spatiotemporal framework for modeling the dynamic trajectories of scientific topics. FAME projects papers into a dynamic latent space informed by textual features and a verified knowledge-flow graph, learning geometric constraints that align impactful manuscripts with the forward momentum of their fields. Experiments on 3,200 arXiv papers across three fast-evolving subfields show that FAME consistently and substantially outperforms state-of-the-art LLM evaluators in prospective multidimensional impact forecasting. Furthermore, integrating FAME's dynamic geometric signals into LLMs significantly improves their forecasting performance. These results support manuscript impact forecasting as a useful, measurable proxy benchmark and position FAME as a strong, trajectory-aware foundation for automated scientific evaluation.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、脳卒中と研究アイデアの評価にますます使われていますが、そのような判断を評価することは基本的に困難です。 提案課題は,人手による原稿の衝撃予測を,検証可能なプロキシタスクとして利用することで解決する。 予見的な予測研究において、フロンティアLSMは、通常の出版物と高いインパクトのある論文を確実に区別することができず、静的テキストに基づく判断が科学的評価に不十分であることが示唆された。 この制限に対処するため、科学トピックの動的軌跡をモデル化するための時空間的フレームワークである$\textbf{FAME}$$$$\underline{\text{F}}$orecasting$\underline{\text{A}}$cademic Impact via Continuous-Time $\underline{\text{M}}$anifold $\underline{\text{E}}$volutionを提案する。 FAMEは論文をテキストの特徴と検証された知識フローグラフによって通知される動的潜在空間に投影し、影響のある原稿をフィールドの前方運動量と整合させる幾何学的制約を学習する。 3つの高速進化サブフィールドにわたる3,200のarXiv論文の実験により、FAMEは将来的な多次元衝撃予測において、最先端のLCM評価器よりも一貫して、実質的に優れていることが示された。 さらに、FAMEの動的幾何信号をLLMに組み込むことで予測性能が大幅に向上する。 これらの結果は, 自動科学的評価のための強力な軌跡認識基盤としてのFAMEを, 有効かつ測定可能なプロキシベンチマークとして, 原稿衝撃予測を支援した。

関連論文リスト

• Learning to Predict Future-Aligned Research Proposals with Language Models [59.79457676644722]
  我々は目標から得られた17,771の論文とそれらの事前カットオフ引用の時間一貫性のあるデータセットを構築した。 モデルをトレーニングするために、ターゲットとそれらのカットオフ前の引用から17,771枚のタイム一貫性のあるデータセットを構築します。 Llama-3.1 と Qwen2.5 のモデル全体で、将来のアライメントチューニングは、非アライメントベースラインに対する将来のアライメントを改善する。
  論文  参考訳（メタデータ） (2026-03-28T05:41:15Z)
• Does GenAI Rewrite How We Write? An Empirical Study on Two-Million Preprints [15.070885964897734]
  生成型大規模言語モデル(LLM)は、原稿の書き方を変えることによって、さらなる破壊をもたらす可能性がある。 本稿は、2016年から2025年(115ヶ月)にかけての2100万件以上のプレプリントを4つの主要なリポジトリで大規模に分析することで、このギャップを解消する。 以上の結果から,LSMは提出サイクルと修正サイクルを加速し,言語的複雑性が緩やかに増加し,AI関連トピックが不均等に拡大したことが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-18T01:37:40Z)
• When can isotropy help adapt LLMs' next word prediction to numerical domains? [53.98633183204453]
  文脈埋め込み空間におけるLLM埋め込みの等方性は表現の基盤構造を保存することが示されている。 実験により、数値データとモデルアーキテクチャの異なる特性が等方性に異なる影響があることが示されている。
  論文  参考訳（メタデータ） (2025-05-22T05:10:34Z)
• ForeCite: Adapting Pre-Trained Language Models to Predict Future Citation Rates of Academic Papers [0.0]
  本稿では,学術論文の今後の引用率を予測するフレームワークであるForeCiteを紹介する。 ForeCiteは2000年から2024年にかけて発行された900K以上のバイオメディカル論文のキュレートされたデータセット上で、$rho = 0.826$のテスト相関を達成している。 これらの結果は,学術研究の長期的影響を予測し,科学的貢献の自動化された高忠実度評価の基礎を築いた。
  論文  参考訳（メタデータ） (2025-05-13T20:10:00Z)
• Optimizing Research Portfolio For Semantic Impact [55.2480439325792]
  サイテーション指標は学術的影響を評価するために広く用いられているが、社会的偏見に悩まされている。 本稿では,研究効果を予測する新しいフレームワークであるrXiv Semantic Impact (XSI)を紹介する。 XSIは学術知識グラフにおける研究概念の進化を追跡している。
  論文  参考訳（メタデータ） (2025-02-19T17:44:13Z)
• From Words to Worth: Newborn Article Impact Prediction with LLM [69.41680520058418]
  本稿では, LLMの能力を活用して, 新生記事の今後の影響を予測する, 有望なアプローチを提案する。 提案手法はLLMを用いて,高インパクトな論文の共有意味的特徴をタイトルと抽象的なペアの集合から識別する。 提案手法は, 0.216のMAEと0.901のNDCG@20を用いて, 提案手法が最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-08-07T17:52:02Z)

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。