論文の概要: Topical Phase Transitions in Artificial Intelligence Research: Large-Scale Evidence and an Early-Warning Signature for Emerging Topics
- arxiv url: http://arxiv.org/abs/2606.12828v1
- Date: Thu, 11 Jun 2026 02:47:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.547633
- Title: Topical Phase Transitions in Artificial Intelligence Research: Large-Scale Evidence and an Early-Warning Signature for Emerging Topics
- Title（参考訳）: 人工知能研究におけるトピック相転移--大規模エビデンスと新しいトピックの早期発見
- Authors: Rasul Khanbayov, Hasan Kurban,
- Abstract要約: 2017年から2025年までの5回のAIカンファレンスから、承認されたメイントラックの論文80,814件を分析します。
主要なAIトピックは、トピックのフェーズ移行を通じて進行している。
この構造は私たちの主な貢献であり、AI研究の再編成の大規模で横断的な特徴である。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Do research topics in artificial intelligence grow gradually, or do they advance through abrupt, detectable jumps? Analyzing 80,814 accepted main-track papers from five premier AI conferences (ACL, CVPR, ICLR, ICML, NeurIPS) spanning 2017 to 2025, we show major AI topics advance through topical phase transitions: remaining marginal for years, then surging across venues within one to three years. Large language models became the dominant cross-venue topic by 2025, diffusion models rose with comparable abruptness, and language-model methods crossed into computer vision via vision-language models, whereas reinforcement learning compounded smoothly, distinguishing genuine phase transitions from ordinary growth. This structure is our primary contribution: a large-scale, cross-venue characterization of how AI research reorganizes. We then ask whether a transition leaves a detectable footprint before it peaks. We define an early-warning signature, four publication-dynamics criteria frozen on 2017-2021 data, and evaluate it out of sample on 2023-2025 transitions, obtaining a precision of 27% and recall of 63% against a 13.5% base rate. Applied to 2025 data, the signature flags reasoning and test-time compute, agentic AI, multimodal LLMs, retrieval-augmented generation, and world models as topics to monitor over 2026-2028. The source code is also publicly available on GitHub at https://github.com/KurbanIntelligenceLab/ai-phase-transitions.
- Abstract（参考訳）: 人工知能の研究トピックは徐々に成長するのか、それとも急激で検出可能なジャンプによって進化するのか?
2017年から2025年にかけての5つのプレミアAIカンファレンス(ACL、CVPR、ICLR、ICML、NeurIPS)のメイントラック論文80,814件を分析して、トピックのフェーズ移行を通じて、主要なAIトピックを前進させた。
2025年までに、大規模な言語モデルがクロスベンチャーの主流となり、拡散モデルが同等の急激さで増加し、言語モデルが視覚言語モデルを介してコンピュータビジョンに渡される一方で、強化学習はスムーズに複雑化し、通常の成長から真の位相遷移を区別した。
この構造は私たちの主な貢献であり、AI研究の再編成の大規模で横断的な特徴である。
そして、ピークに達する前に、トランジションが検出可能なフットプリントを残しているかどうかを尋ねます。
我々は、2017-2021データに凍結された4つの出版力学基準を早期警戒署名として定義し、2023-2025トランジションのサンプルから評価し、13.5%のベースレートに対して27%の精度と63%のリコールを得た。
2025データに適用されたシグネチャフラグには、推論とテストタイム計算、エージェントAI、マルチモーダルLLM、検索拡張生成、2026-2028以上の監視トピックとしての世界モデルが含まれている。
ソースコードはGitHubでもhttps://github.com/KurbanIntelligenceLab/ai-phase-transitionsで公開されている。
関連論文リスト
- The Cognitive Divergence: AI Context Windows, Human Attention Decline, and the Delegation Feedback Loop [0.0]
AIコンテキストウィンドウは、2017年の512トークンから2026年までに2トークンに成長した。
Human Effective Context Spanは16,000トークンから1,800トークンに減少している。
AIと人間の比率はChatGPT打ち上げ時のほぼ同値から556--1,111xの生と56-111xの品質調整に成長した。
論文 参考訳（メタデータ） (2026-03-17T18:53:45Z) - Wow, wo, val! A Comprehensive Embodied World Model Evaluation Turing Test [62.17144846428715]
我々は、Embodied Turing Testベンチマーク: WoW-World-Eval (Wow,wo,val)を紹介する。
Wow-wo-valは知覚、計画、予測、一般化、実行の5つのコア能力を調べる。
Inverse Dynamic Model Turing Testでは、まずIMMを用いて、実世界におけるビデオ基盤モデルの実行精度を評価する。
論文 参考訳（メタデータ） (2026-01-07T17:50:37Z) - HybridQuestion: Human-AI Collaboration for Identifying High-Impact Research Questions [48.1029746371619]
「AIサイエンティスト」パラダイムは研究プロセスの重要な段階を自動化して科学研究を変革している。
AIの科学者が意味のある研究の疑問を特定できるのか?
本稿では、AIのスケーラブルなデータ処理機能と、人間の専門家の価値判断を統合する、人間-AIハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2025-12-18T15:10:38Z) - The 2025 Foundation Model Transparency Index [85.01250666533294]
ファウンデーションモデル開発者は世界で最も重要な企業です。
これらの企業がますますコンシークシャルになるにつれて、透明性のプラクティスはどのように進化するのでしょうか?
2025 Foundation Model Transparency Indexは、ファンデーションモデル開発者の透明性を特徴づけ、定量化するための年次取り組みの第3版である。
論文 参考訳（メタデータ） (2025-12-11T00:01:53Z) - Silhouette-based Gait Foundation Model [56.27974816297294]
統一された歩行基盤モデルを構築するには、スケーラビリティと一般化の2つの長年の障壁に対処する必要がある。
私たちは、歩行理解のための最初のスケーラブルでセルフ教師付き事前学習フレームワークであるFoundationGaitを紹介します。
論文 参考訳（メタデータ） (2025-11-30T01:53:41Z) - Future of AI Models: A Computational perspective on Model collapse [0.0]
本研究は,2013年から2025年までの英語ウィキペディアの年次意味的類似性を調べることで,崩壊の定量化と予測を行う。
結果は、初期のRNN/LSTMとテキスト正規化パイプラインによって引き起こされた公的なLLM採用よりも、着実に類似性が高まっていることを示している。
論文 参考訳（メタデータ） (2025-10-29T15:10:29Z) - TalkVid: A Large-Scale Diversified Dataset for Audio-Driven Talking Head Synthesis [74.31705485094096]
7729のユニークなスピーカーから1244時間のビデオを含む、大規模で高品質で多様なデータセットであるTalkVidを紹介した。
TalkVidは、動作の安定性、美的品質、顔のディテールを厳格にフィルタする、原則付き多段階自動パイプラインを通じてキュレートされる。
TalkVid-Benchは、500クリップの階層化された評価セットで、重要な人口統計学と言語学の軸間で慎重にバランスを取ります。
論文 参考訳（メタデータ） (2025-08-19T08:31:15Z) - LENS: Multi-level Evaluation of Multimodal Reasoning with Large Language Models [59.0256377330646]
Lensは3.4Kの現代画像と8つのタスクと12の日次シナリオをカバーする60K以上の人間による質問のベンチマークである。
このデータセットは本質的に、基本的な知覚から構成的推論に至るまで、画像不変のプロンプトを処理するためのMLLMの評価をサポートする。
我々は,Qwen2.5-VL-72B,InternVL3-78B,GPT-4oおよび2つの推論モデルQVQ-72B-previewとKim-VLなどの15以上のフロンティアMLLMを評価する。
論文 参考訳（メタデータ） (2025-05-21T15:06:59Z) - Neuro-Symbolic AI in 2024: A Systematic Review [0.29260385019352086]
レビューはPRISMA方法論に従い、IEEE Explore、Google Scholar、arXiv、ACM、SpringerLinkといったデータベースを利用した。
1,428紙の最初のプールから、167紙が包含基準を満たし、詳細に分析された。
研究活動の大半は、学習、推論、論理、推論、知識表現の領域に集中している。
論文 参考訳（メタデータ） (2025-01-09T18:48:35Z) - NLLG Quarterly arXiv Report 09/24: What are the most influential current AI Papers? [21.68589129842815]
NLLGのarXivレポートは、cs.CL、cs.CV、cs.AI、cs.LGカテゴリにわたる、急速に進化するNLPとAI研究の展望をナビゲートするのに役立つ。
この4回目のインストールは、ChatGPTのデビュー後の2023年1月1日から2024年9月30日まで、AIの歴史の変革期を捉えている。
前回のレポート以来、最も暗黙の論文のトップ40のうち45%が新しい論文である。
論文 参考訳（メタデータ） (2024-12-02T22:10:38Z)
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。