論文の概要: How Can AI Find My Model? A Model-Finding Experimental Study Considering Data Formats, Embeddings, and Retrieval Strategies
- arxiv url: http://arxiv.org/abs/2606.30846v1
- Date: Mon, 29 Jun 2026 19:23:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:18.992288
- Title: How Can AI Find My Model? A Model-Finding Experimental Study Considering Data Formats, Embeddings, and Retrieval Strategies
- Title（参考訳）: AIはどのようにして私のモデルを見つけることができるか? データフォーマット、埋め込み、検索戦略を考慮したモデルフィンディング実験
- Abstract要約: 本稿では,データ表現,トランスフォーマーベース埋め込みモデル,および検索戦略が,自然言語クエリを用いたシミュレーションモデルの発見に与える影響を実験的に検討する。
その結果、特にクエリの増加に伴い、データ表現が重要であり、オープンソースの埋め込みモデルは高いパフォーマンスを実現し、メソッドのランク付けが重要であることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Discovering simulation models for reuse remains a fundamental challenge in Modeling and Simulation (M&S). When many models coexist, identifying those that align with a given modeling intent remains difficult. Recent advances in Artificial Intelligence (AI), particularly retrieval-based approaches, offer a promising pathway to operate at this semantic layer. In this paper, we present an experimental study investigating the impact of data representation, transformer-based embedding models, and retrieval strategies on the discovery of simulation models using natural language queries. We evaluated performance across multiple query types using standard information retrieval metrics, including recall@5 and nDCG@5. Results show that data representation matters, open-source embedding models can achieve high performance, and reranking methods are important, especially as query complexity increases. This work provides a baseline for AI-driven model discovery and discusses its role in advancing toward AI-driven composability and interoperability.
- Abstract（参考訳）: モデリングとシミュレーション(M&S)において、再利用のためのシミュレーションモデルを明らかにすることは、依然として根本的な課題である。
多くのモデルが共存する場合、与えられたモデリング意図に沿ったモデルを特定することは依然として困難である。
人工知能(AI)の最近の進歩、特に検索に基づくアプローチは、このセマンティック層で操作するための有望な経路を提供する。
本稿では,自然言語クエリを用いたシミュレーションモデルの発見におけるデータ表現,トランスフォーマーベース埋め込みモデル,検索戦略の影響を実験的に検討する。
我々は,リコール@5やnDCG@5などの標準情報検索指標を用いて,複数のクエリタイプのパフォーマンスを評価した。
その結果、特にクエリの複雑さが増大するにつれて、データ表現が重要であり、オープンソースの埋め込みモデルは高いパフォーマンスを実現し、メソッドのランク付けが重要であることが示された。
この研究は、AI駆動型モデル発見のベースラインを提供し、AI駆動型コンポーザビリティと相互運用性に向けたその役割について論じる。
関連論文リスト
- Towards Rapid Constitutive Model Discovery from Multi-Modal Data: Physics Augmented Finite Element Model Updating (paFEMU) [0.3199881502576702]
本稿では,AIを用いたモデリング,解釈可能なモデル発見のためのスペーサー化,有限要素ベース拡張を組み合わせた移動学習手法として,物理拡張有限要素モデル更新(paFEMU)を導入する。
これは、デジタル画像相関型フルフィールドデータ取得と、おそらく別の材料から得られる単純な機械的テストデータを組み合わせることで達成される。
論文 参考訳（メタデータ） (2026-04-09T03:08:07Z) - Modèles de Substitution pour les Modèles à base d'Agents : Enjeux, Méthodes et Applications [0.0]
エージェントベースモデル(ABM)は、局所的な相互作用から生じる創発的な現象を研究するために広く用いられている。
ABMの複雑さは、リアルタイム意思決定と大規模シナリオ分析の可能性を制限する。
これらの制限に対処するため、サロゲートモデルはスパースシミュレーションデータから近似を学習することで効率的な代替手段を提供する。
論文 参考訳（メタデータ） (2025-05-17T08:55:33Z) - Unlocking the Potential of Past Research: Using Generative AI to Reconstruct Healthcare Simulation Models [0.0]
本研究では、生成人工知能(AI)を用いたフリー・アンド・オープン・ソース・ソフトウェア(FOSS)を用いた出版モデルを再現する可能性について検討する。
ユーザインタフェースを含む2つのDESモデルの生成,テスト,内部再現に成功した。
報告された結果は1つのモデルで複製されたが、分布に関する情報が不足しているため、もう1つのモデルでは再現されなかった。
論文 参考訳（メタデータ） (2025-03-27T16:10:02Z) - Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
生成検索は、検索を自己回帰生成タスクとして再構成し、大きな言語モデルがクエリから直接ターゲット文書を生成する。
生成的検索におけるトレーニングと推論のスケーリング法則を体系的に検討し,モデルのサイズ,トレーニングデータスケール,推論時間計算が協調的に性能に与える影響について検討した。
論文 参考訳（メタデータ） (2025-03-24T17:59:03Z) - A Survey of Model Architectures in Information Retrieval [59.61734783818073]
2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。
従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。
今後の課題と今後の方向性について、先見的な議論で締めくくります。
論文 参考訳（メタデータ） (2025-02-20T18:42:58Z) - Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2025-02-16T23:13:55Z) - Generating Computational Cognitive Models using Large Language Models [13.201934636532577]
我々は、GeCCo(Computational Cognitive Models)のガイド生成のためのパイプラインを導入する。
GeCCo は LLM に候補モデルの提案を促し,データ保持に適合させ,予測性能に基づいて反復的に改良する。
このアプローチを4つの異なる認知領域にわたってベンチマークします。
論文 参考訳（メタデータ） (2025-02-02T19:07:13Z) - Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。
提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。
提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
論文 参考訳（メタデータ） (2024-11-04T09:51:10Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳（メタデータ） (2022-10-06T00:33:01Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳（メタデータ） (2022-03-03T20:52:47Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z)
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。