論文の概要: Exploring Motivations for Algorithm Mention in the Domain of Natural Language Processing: A Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2606.29859v1
- Date: Mon, 29 Jun 2026 06:53:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.086554
- Title: Exploring Motivations for Algorithm Mention in the Domain of Natural Language Processing: A Deep Learning Approach
- Title（参考訳）: 自然言語処理分野におけるアルゴリズム・メンションのモチベーションを探る:ディープラーニングアプローチ
- Abstract要約: 本研究では,アルゴリズムに言及するためのモチベーションの進化を識別し,分析し,追跡するための文レベルフレームワークを提案する。
まず、手動アノテーションと機械学習を用いて、フルテキスト論文からアルゴリズムエンティティとアルゴリズム関連文を識別する。
次に、事前訓練されたモデルとデータ拡張を用いてモチベーションを分類し、その分布と時間的進化を分析する。
- 参考スコア（独自算出の注目度）: 7.514717103747823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rise of data-intensive science, algorithms have become central to scientific research. In academic papers, algorithms are mentioned for different purposes, such as describing, using, comparing, or improving methods for specific research tasks. Identifying these purposes can reveal relationships among algorithms and help assess their roles and value. Taking natural language processing (NLP) as an example, this study proposes a sentence-level framework for identifying, analyzing, and tracing the evolution of motivations for mentioning algorithms. We first identify algorithm entities and algorithm-related sentences from full-text papers through manual annotation and machine learning. We then classify mention motivations using pretrained models and data augmentation, and analyze their distribution and temporal evolution. The results show that deep learning models trained with augmented data outperform traditional machine learning models in motivation classification. In NLP papers, more than half of algorithm-related sentences express direct use, whereas improvement is the least frequent motivation. The diversity of motivations has increased over time. For specific algorithm categories, grammar-based algorithms are more often mentioned for description, while machine learning algorithms are more often mentioned for use. Over time, use motivations have gradually replaced description motivations across different algorithms, and the number of motivation types associated with individual algorithms has declined significantly. This study reveals how authors mention algorithm entities in academic writing and provides a basis for future research on algorithm relationship identification and algorithm impact evaluation.
- Abstract（参考訳）: データ集約科学の台頭により、アルゴリズムは科学研究の中心となった。
学術論文では、特定の研究課題の方法の説明、使用、比較、改善など、様々な目的のためにアルゴリズムが言及されている。
これらの目的を特定することは、アルゴリズム間の関係を明らかにし、それらの役割と価値を評価するのに役立つ。
自然言語処理(NLP)を例として,アルゴリズムに言及するためのモチベーションの進化を特定し,分析し,追跡するための文レベルフレームワークを提案する。
まず、手動アノテーションと機械学習を用いて、フルテキスト論文からアルゴリズムエンティティとアルゴリズム関連文を識別する。
次に、事前訓練されたモデルとデータ拡張を用いてモチベーションを分類し、その分布と時間的進化を分析する。
その結果、強化データで訓練されたディープラーニングモデルは、モチベーション分類において従来の機械学習モデルより優れていることがわかった。
NLP論文では、アルゴリズム関連の文の半数以上が直接使用を表現しているが、改善は最も頻度の低いモチベーションである。
モチベーションの多様性は時間とともに増している。
特定のアルゴリズムカテゴリについて、文法ベースのアルゴリズムは説明のために言及されることが多いが、機械学習アルゴリズムは使用のために言及されることが多い。
時間とともに、様々なアルゴリズムにおける記述モチベーションは徐々に置き換えられ、個々のアルゴリズムに関連するモチベーションの種類は大幅に減少した。
本研究は,学術著作におけるアルゴリズム実体の言及方法を明らかにし,アルゴリズム関係の同定とアルゴリズム影響評価に関する今後の研究の基盤を提供する。
関連論文リスト
- How Should We Meta-Learn Reinforcement Learning Algorithms? [69.12853522797188]
メタ学習型アルゴリズムに適用した場合、異なるアプローチの実証的な比較を行う。
また, メタトレインとメタテスト性能に加えて, 解釈可能性, サンプルコスト, 列車時間などの要因についても検討した。
我々は,将来学習されるアルゴリズムが可能な限り高性能であることを保証するために,新しいRLアルゴリズムをメタラーニングするためのガイドラインをいくつか提案する。
論文 参考訳（メタデータ） (2025-07-23T16:31:38Z) - From Decoding to Meta-Generation: Inference-time Algorithms for Large Language Models [63.188607839223046]
この調査は、推論中に計算をスケールするメリットに焦点を当てている。
我々はトークンレベルの生成アルゴリズム、メタジェネレーションアルゴリズム、効率的な生成という3つの領域を統一的な数学的定式化の下で探索する。
論文 参考訳（メタデータ） (2024-06-24T17:45:59Z) - Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。
関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。
本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
論文 参考訳（メタデータ） (2023-10-13T07:40:12Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [70.45113777449373]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
既存のアルゴリズムを比較し、より良いアルゴリズムを開発する上で重要な課題は、公開された金標準データの欠如である。
研究コミュニティにリリースした類似度スコアの新しいデータセットを収集します。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - The CLRS Algorithmic Reasoning Benchmark [28.789225199559834]
アルゴリズムの学習表現は機械学習の新たな領域であり、ニューラルネットワークから古典的なアルゴリズムで概念をブリッジしようとしている。
本稿では,従来のアルゴリズムを包括するCLRS Algorithmic Reasoning Benchmarkを提案する。
我々のベンチマークは、ソート、探索、動的プログラミング、グラフアルゴリズム、文字列アルゴリズム、幾何アルゴリズムなど、様々なアルゴリズムの推論手順にまたがっている。
論文 参考訳（メタデータ） (2022-05-31T09:56:44Z) - An Approach for Automatic Construction of an Algorithmic Knowledge Graph
from Textual Resources [3.723553383515688]
本稿では,非構造化データからアルゴリズム問題の知識グラフを自動的に作成する手法を提案する。
アルゴリズムKGは、アルゴリズムメタデータに追加のコンテキストと説明可能性を与える。
論文 参考訳（メタデータ） (2022-05-13T18:59:23Z) - How to transfer algorithmic reasoning knowledge to learn new algorithms? [23.335939830754747]
我々は,実行トレースにアクセス可能なアルゴリズムを用いて,そうでない同様のタスクを解く方法について検討する。
9つのアルゴリズムと3つの異なるグラフタイプを含むデータセットを作成します。
我々はこれを実証的に検証し、その代わりにマルチタスク学習を用いてアルゴリズム推論知識の伝達を実現する方法を示す。
論文 参考訳（メタデータ） (2021-10-26T22:14:47Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - Using the Full-text Content of Academic Articles to Identify and
Evaluate Algorithm Entities in the Domain of Natural Language Processing [7.163189900803623]
本稿では、自然言語処理(NLP)の分野を例として取り上げ、この分野の学術論文からアルゴリズムを同定する。
論文内容を手動で注釈付けしてアルゴリズムの辞書を構築し、辞書にアルゴリズムを含む文を辞書ベースのマッチングにより抽出する。
アルゴリズムに言及する記事の数は、そのアルゴリズムの影響を分析する指標として使用される。
論文 参考訳（メタデータ） (2020-10-21T08:24:18Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:20:17Z)
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。