論文の概要: Explainable Forecasting of Scientific Breakthroughs from Concept Network Dynamics
- arxiv url: http://arxiv.org/abs/2606.03864v1
- Date: Tue, 02 Jun 2026 16:38:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:05.163066
- Title: Explainable Forecasting of Scientific Breakthroughs from Concept Network Dynamics
- Title（参考訳）: 概念ネットワークダイナミクスによる科学的ブレークスルーの予測
- Authors: Thomas Maillart, Thibaut Chataing, Ntorina Antoni, David Dosu, Paul Bagourd, Julian Jang-Jaccard, Alain Mermoud,
- Abstract要約: 本稿では,研究概念間のリンクの出現と拡大を予測できる,説明可能な機械学習手法を提案する。
59の意味的特徴と位相的特徴を用いて、2段階のLightGBMモデルはコンセプトペアの生成と将来の重量を共同で予測する。
次に、これらの予測をエビデンスベースの研究戦略とポリシーに変換する3層決定アーキテクチャについて概説する。
- 参考スコア（独自算出の注目度）: 0.4724193227268862
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce an explainable machine-learning approach that forecasts the structural precursors of scientific breakthroughs -- the emergence and intensification of links between research concepts -- by modelling how OpenAlex concept networks evolve over time. Using 59 semantic and topological features, a two-stage LightGBM model jointly predicts the formation and the future weight of concept pairs, adding a regression stage that quantifies expected intensity to prior link-existence forecasts. Relative to the state of the art, the approach improves accuracy and explainability at once: comparative validation across four technology and biomedical domains yields ROC-AUC in [0.954, 0.967] at all horizons without re-tuning, exceeding the roughly 0.90 of prior models, while every forecast rests on structural, auditable features rather than opaque embeddings. Classification performance is high (AUC about 0.95) and regression remains stable (RMSLE 0.45 to 0.6 over one to five years). Feature attribution shows that structural factors -- particularly Adamic-Adar similarity and degree-based Hadamard measures -- consistently drive accuracy, suggesting that breakthrough-relevant recombinations emerge in tightly connected sub-networks. Two expert-anchored cases, quantum annealing and AI-enabled quantum architectures, show the model surfacing technological convergence consistent with expert expectations. We then outline a three-layer decision architecture -- detection, expert translation, institutional integration -- that turns these forecasts into evidence-based research strategy and policy, anchored in open data and explainable features.
- Abstract（参考訳）: 私たちは、OpenAlexの概念ネットワークが時間とともにどのように進化するかをモデル化することによって、科学的なブレークスルー(研究コンセプト間のリンクの出現と拡大)の構造的前駆体を予測する、説明可能な機械学習アプローチを導入します。
59の意味的特徴とトポロジ的特徴を用いて、2段階のLightGBMモデルは概念ペアの生成と将来の重量を共同で予測し、予測強度を事前のリンク存在予測に定量化する回帰段階を追加する。
4つの技術ドメインとバイオメディカルドメインを比較した検証では、[0.954, 0.967]のROC-AUCが再調整せずに全地平線で得られ、前モデルの約0.90を超え、全ての予測は不透明な埋め込みよりも構造的で監査可能な特徴に依存している。
分類性能は高く(AUCは約0.95)、回帰は安定している(RMSLE 0.45から0.6は1年から5年)。
特徴的帰結は、特にアダム・アダルの類似性や等級に基づくアダマール測度といった構造的要因が、常に正確性を高めていることを示している。
量子アニーリング(quantum annealing)とAI対応の量子アーキテクチャ(quantum architecture)という2つのエキスパートアンコールされたケースは、専門家の期待と一致した技術的収束に直面するモデルを示している。
次に、検出、専門家翻訳、制度統合という3層決定アーキテクチャを概説し、これらの予測をエビデンスベースの研究戦略とポリシーに変換し、オープンデータと説明可能な機能に固定します。
関連論文リスト
- Forecasting Conceptual Diffusion in Science: The Case of Quantum Computing [0.49610913011189633]
我々は,各概念ペアを上流の励磁線と下流の拡散によって追跡する,時間的に解決された概念共起ネットワークを構築した。
我々は4つの結果を予測するために、分布と多様性を意識したLightGBMモデルを訓練する。
概念拡散は、意味的および引用環境に埋め込まれた安定した構造的規則性によって制御される。
論文 参考訳（メタデータ） (2026-06-02T17:12:02Z) - Predictive Accuracy versus Interpretability in Energy Markets: A Copula-Enhanced TVP-SVAR Analysis [0.0]
本稿では,エネルギー・マクロ力学の予測において,構造的計量モデルが機械学習に対抗できるかどうかを考察する。
我々は,時変構造VAR(TVP-S VAR)とDCC-GARCH,t-copulas,Clayton-Frank-Gumbelコプラなどの高度な依存構造を統合する統合フレームワークを開発した。
機械学習は予測性能を再現できるが、構造経済学の説明力に取って代わることはできないと結論付けている。
論文 参考訳（メタデータ） (2026-01-27T08:04:16Z) - Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。
直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。
我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
論文 参考訳（メタデータ） (2026-01-26T03:52:16Z) - Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
天気予報は、大気のカオス的な性質によって根本的に挑戦されている。
ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。
気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
論文 参考訳（メタデータ） (2025-11-18T07:49:52Z) - Unveiling the Power of Uncertainty: A Journey into Bayesian Neural Networks for Stellar dating [0.9999629695552196]
本稿では,確率的関係をニューラルネットワークでモデル化した階層型ベイズアーキテクチャを提案する。
我々は、質量、半径、年齢(主ターゲット)などの恒星特性を予測する。
我々のシステムは予測値の潜在的な範囲をカプセル化する分布を生成する。
論文 参考訳（メタデータ） (2025-03-27T04:45:48Z) - Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。
我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。
CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
論文 参考訳（メタデータ） (2023-07-19T07:31:37Z) - Unified Probabilistic Neural Architecture and Weight Ensembling Improves
Model Robustness [3.6607006319608226]
統一確率的アーキテクチャと重み付けニューラルアーキテクチャサーチ(UraeNAS)を提案する。
提案手法は, 分布内(0.86%の精度)と分布外(2.43%の精度)で有意な改善を示した。
論文 参考訳（メタデータ） (2022-10-08T18:30:30Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳（メタデータ） (2019-12-29T00:14:07Z)
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。