論文の概要: Lacuna: A Research Map for Machine Learning

• arxiv url: http://arxiv.org/abs/2606.26246v1
• Date: Wed, 24 Jun 2026 18:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.038058
• Title: Lacuna: A Research Map for Machine Learning
• Title（参考訳）: Lacuna: 機械学習の研究マップ
• Abstract要約: Lacunaは、LLMを使って論文や学術メタデータをマークダウン要約に変換する機械学習の研究マップである。 LitSearch、Multi-XScience-CS/ML、ScholarQA-CS-ML全体で、LacunaはOpenScholarより優れており、LitSearch検索で最大の利益を得ている。 また、この地図上の多段階レポートエージェントであるLacuna Deep Researchを、25 ReportBench-ML調査タスクで評価した。
• 参考スコア（独自算出の注目度）: 49.4551062599854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lacuna is a research map for machine learning that uses LLMs to turn papers and scholarly metadata into markdown summaries, concept elements, research directions, and research proposals. Each item keeps links to the primary source records and papers that support it. We release the map with web, markdown, and MCP interfaces. Across LitSearch, Multi-XScience-CS/ML, and ScholarQA-CS-ML, Lacuna outperforms OpenScholar with the strongest gains on LitSearch retrieval (Recall@10 0.538 vs. 0.424 for OpenScholar v3). We also evaluate Lacuna Deep Research, a multi-stage report agent over the map, on 25 ReportBench-ML survey tasks: Lacuna Deep Research reaches 0.052 citation F1, 0.339 citation precision, 99 expert-reference hits, and 7.82/10 RACE report quality, while GPT-Researcher reaches 0.039 F1, 0.290 precision, 72 hits, and 5.24/10 RACE.
• Abstract（参考訳）: Lacunaは、LLMを使用して論文や学術メタデータをマークダウン要約、概念要素、研究方向、研究提案に変換する機械学習のための研究マップである。 各アイテムは、主要なソースレコードとそれをサポートするドキュメントへのリンクを保持する。 Web、マークダウン、MPPインターフェースを備えたマップをリリースします。 LitSearch、Multi-XScience-CS/ML、ScholarQA-CS-ML全体で、LacunaはOpenScholarより優れており、LitSearch検索で最大の利益を上げている(Recall@10 0.538 vs. 0.424 for OpenScholar v3)。 Lacuna Deep Research は 0.052 引用 F1, 0.339 引用精度, 99 専門家参照ヒット, 7.82/10 RACE レポート品質に達し, GPT-Researcher は 0.039 F1, 0.290 精度, 72 ヒット, 5.24/10 RACE に到達した。

関連論文リスト

• Your Retriever Already Knows: Distribution-Shape QPP for RAG Retrieval Sufficiency [0.0]
  チェコの核レギュレータの展開を動機として,RAGにおける検索効率向上のためのクエリ性能予測(QPP)パラダイムを3つ比較した。 我々の24の非語彙機能は、古典的なQPP文学プールの前に、クエリあたり2msで0.856の重み付き平均AUROCに達する。 LLM判定を1つの特徴(ハイブリッド)として加えると、ViDoRe(0.863)ではS1と一致するが、SJBでは統計的に有意なエッジが得られる。
  論文  参考訳（メタデータ） (2026-09-10T14:52:16Z)
• Delta-Based Neural Architecture Search: LLM Fine-Tuning via Code Diffs [48.83701310501069]
  大規模言語モデル(LLM)は、ニューラルアーキテクチャ生成の強力な可能性を示している。 既存のアプローチは、ゼロから完全なモデル実装を生成します。 我々はデルタ符号生成法を提案し、細調整されたLLMはコンパクトな統一差分を生成する。
  論文  参考訳（メタデータ） (2026-05-06T13:32:05Z)
• TiAb Review Plugin: A Browser-Based Tool for AI-Assisted Title and Abstract Screening [0.0]
  TiAb ReviewはオープンソースのChromeブラウザエクステンションである。 手動レビュー、大規模言語モデル(LLM)バッチスクリーニング、機械学習(ML)アクティブラーニングの3つのスクリーニングモードを提供する。
  論文  参考訳（メタデータ） (2026-04-08T03:05:14Z)
• The Science Data Lake: A Unified Open Infrastructure Integrating 293 Million Papers Across Eight Scholarly Sources with Embedding-Based Ontology Alignment [0.0]
  私たちは、DuckDBとParquetファイル上に構築されたローカルにデプロイ可能なインフラストラクチャであるScience Data Lakeを紹介します。 リソースは約960GBのParquetファイルで、2億2300万件の特定可能な文書にまたがる。 リソースはオープンソースで、HuggingFace経由でリモートでデプロイ可能で、大きな言語モデル(LLM)ベースの研究エージェントに適した構造化ドキュメントを含んでいる。
  論文  参考訳（メタデータ） (2026-03-03T15:58:18Z)
• SAGE: Benchmarking and Improving Retrieval for Deep Research Agents [60.53966065867568]
  SAGEは4つの科学領域にわたる1200のクエリからなる科学文献検索のためのベンチマークであり、20万の論文検索コーパスを備える。 6つのディープ・リサーチ・エージェントを評価し,全てのシステムが推論集約的な検索に苦しむことを発見した。 BM25は、既存のエージェントがキーワード指向のサブクエリを生成するため、LLMベースのレトリバーを約30%上回っている。
  論文  参考訳（メタデータ） (2026-02-05T18:25:24Z)
• LLM-Guided Probabilistic Fusion for Label-Efficient Document Layout Analysis [6.908972852063454]
  半教師あり学習の進歩にもかかわらず、文書レイアウトの理解はデータ集約的なままである。 本稿では、視覚的予測を構造的事前に融合させることにより、半教師付き検出を強化するフレームワークを提案する。 提案手法はモデルスケール間で一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-11-12T02:25:58Z)
• Let's Use ChatGPT To Write Our Paper! Benchmarking LLMs To Write the Introduction of a Research Paper [64.50822834679101]
  SciIGは、タイトル、抽象、および関連する作品からコヒーレントな紹介を生成するLLMの能力を評価するタスクである。 オープンソース (DeepSeek-v3, Gemma-3-12B, LLaMA 4-Maverick, MistralAI Small 3.1) およびクローズドソース GPT-4o システムを含む5つの最先端モデルを評価する。 結果は、特に意味的類似性と忠実性において、ほとんどのメトリクスにおいて、LLaMA-4 Maverickの優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-08-19T21:11:11Z)
• LitSearch: A Retrieval Benchmark for Scientific Literature Search [48.593157851171526]
  我々は,最近のMLおよびNLP論文に関する597のリアルな文献検索クエリからなる検索ベンチマークLitSearchを紹介する。 LitSearchのすべての質問は、高品質を保証するために専門家によって手作業で検査または編集された。 BM25と最先端の高密度リトリーバーの間には,24.8%の絶対差がみられた。
  論文  参考訳（メタデータ） (2024-07-10T18:00:03Z)
• LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
  自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。 125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。 これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-03-04T15:34:12Z)

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。