論文の概要: Beyond Visibility and Technical Reuse: Public Application Transformation in Open-Source Model Ecosystems

• arxiv url: http://arxiv.org/abs/2607.16687v1
• Date: Sat, 18 Jul 2026 07:38:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.228091
• Title: Beyond Visibility and Technical Reuse: Public Application Transformation in Open-Source Model Ecosystems
• Title（参考訳）: 可視性と技術的再利用を超えて - オープンソースモデルエコシステムにおけるパブリックアプリケーショントランスフォーメーション
• Abstract要約: オープンソースプラットフォームにより、AIモデルのパブリッシュが容易になったが、モデルリリースだけでは、モデルが見えるようになるか、技術的に再利用されるか、パブリックアプリケーションに組み込まれるかは明らかになっていない。 本研究では,Hugging Face上に構築されたモデル空間リンクを通じて,モデルインパクトのプラットフォーム可視次元としてパブリックアプリケーション変換を導入する。 我々は、256万のモデルレポジトリ、1.06万のスペース、810,087のデータセットレポジトリ、122万のアカウントプロファイルからなるプラットフォームスケールのデータセットを構築します。
• 参考スコア（独自算出の注目度）: 3.1676234210883205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-source model platforms have made it easier to publish AI models, but model release alone does not reveal whether models become visible, technically reused, or incorporated into public applications. This study introduces public application transformation as a platform-visible dimension of model impact and examines it through structured Model-Space links on Hugging Face. We construct a platform-scale dataset of 2.56 million model repositories, 1.06 million Spaces, 810,087 dataset repositories, and 1.22 million account profiles, together with Model-Space, Dataset-Space, and model-to-model technical reuse links. The analysis shows that public application transformation is highly selective and concentrated: only a small share of models are linked to Spaces, and most Model-Space links are concentrated among a limited set of models. More importantly, application transformation is associated with platform visibility but is not equivalent to technical reuse, indicating that downloads, likes, downstream model reuse, and application-facing uptake capture different forms of model impact. Additional analyses show that application-transformed models tend to exhibit stronger metadata-based readiness and enter heterogeneous Space configurations involving datasets, SDKs, and task-specific application categories. By tracing how models move from repositories into public applications and demos, this study extends the measurement of open-source model impact from artifact availability and technical reuse to platform-mediated transformation across AI information objects.
• Abstract（参考訳）: オープンソースのモデルプラットフォームにより、AIモデルのパブリッシュが容易になったが、モデルリリースだけでは、モデルが見えるようになるか、技術的に再利用されるか、パブリックアプリケーションに組み込まれるかは明らかになっていない。 本研究では,Hugging Face上に構築されたモデル空間リンクを通じて,モデルインパクトのプラットフォーム可視次元としてパブリックアプリケーション変換を導入する。 我々は、Model-Space、Dataset-Space、Model-to-modelテクニカルリユースリンクとともに、256万のモデルリポジトリ、1.06万のスペース、810,087のデータセットリポジトリ、122万のアカウントプロファイルからなるプラットフォームスケールのデータセットを構築します。 この分析によると、パブリックアプリケーションの変換は非常に選択的で集中的であり、モデルのごく一部だけがSpacesにリンクされており、ほとんどのモデル-スペースリンクは限定されたモデルのセットに集中している。 さらに重要なのは、アプリケーションのトランスフォーメーションはプラットフォームの可視性に関連しているが、技術的な再利用とは同等ではない。 さらなる分析によると、アプリケーション変換モデルは、より強力なメタデータベースの準備性を示し、データセット、SDK、タスク固有のアプリケーションカテゴリを含む異種空間構成に入る傾向がある。 モデルがリポジトリからパブリックアプリケーションやデモへどのように移行するかをトレースすることにより、アーティファクトの可用性や技術的再利用から、AI情報オブジェクト間のプラットフォーム経由の変換に至るまで、オープンソースモデルの影響の測定を拡張する。

関連論文リスト

• UniFormer: Efficient and Unified Model-Centric Scaling for Industrial Recommendation [46.05454633225205]
  UniFormerは、産業レコメンデーションシステムのための効率的で統一されたモデル中心のスケーリングフレームワークである。 効率を改善するために、UniFormerは全体のモデリング空間を機能空間とタスク空間に分解する。 UniFormerは、ユーザーエンゲージメントとインタラクションのメトリクスを継続的に改善します。
  論文  参考訳（メタデータ） (2026-06-25T14:03:28Z)
• M*: A Modular, Extensible, Serving System for Multimodal Models [62.77975969000349]
  本稿では,複合AIモデルの効率的な提供を目的とした汎用サービスシステムであるM*を提案する。 広範囲の家族から合成モデルを簡潔にキャプチャする方法を示す。 M*はまた、ロボット計画のためのV-JEPA 2-ACロールアウトベースラインを最大12.5倍上回っている。
  論文  参考訳（メタデータ） (2026-06-10T21:22:22Z)
• UniScale: Synergistic Entire Space Data and Model Scaling for Search Ranking [16.652956438207962]
  大規模言語モデル (LLMs) は、産業検索、広告、レコメンデーションシステムにおける法研究の規模拡大にインスピレーションを与えている。 既存のアプローチは主に、データとアーキテクチャ設計の間の重要な相乗効果を見越して、アーキテクチャの改善に焦点を当てています。 データとアーキテクチャを協調的に最適化する新しい共同設計フレームワークであるUniScaleを提案する。
  論文  参考訳（メタデータ） (2026-03-25T12:00:26Z)
• Transport and Merge: Cross-Architecture Merging for Large Language Models [59.53629883788284]
  大規模言語モデル(LLM)は、モデルのキャパシティのスケーリングとデータのトレーニングによって、強力な能力を達成する。 多くの実世界のデプロイメントは、低リソースデータからトレーニングされたり、適応されたりした小さなモデルに依存している。 このギャップは、大規模で高リソースのモデルから小さな低リソースのターゲットに知識を伝達するメカニズムの必要性を動機付けている。
  論文  参考訳（メタデータ） (2026-02-05T09:57:57Z)
• AutoMerge: Search-Based Model Merging Framework for Effective Model Reuse [8.950520457150178]
  近年,大規模言語モデル (LLM) の分野において,学習自由なアプローチとしてモデルマージが出現している。 このようなアプローチが他のディープラーニングモデルに効果的に適用できるかどうかを体系的に検討する以前の研究はない。 3つの異なるモデルアーキテクチャ上で5つのモデルマージ手法を評価する。
  論文  参考訳（メタデータ） (2026-01-30T09:27:01Z)
• Effect of Model Merging in Domain-Specific Ad-hoc Retrieval [1.1164586555084026]
  モデルマージ(英: Model merging)は、複数のモデルの多様な特性を組み合わせた技法である。 我々は、線形アプローチを用いて、ソース検索モデルとドメイン固有(非検索)モデルの重みをマージした。 実験結果から,モデルマージにより,より効果的なドメイン固有検索モデルが得られる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-09-26T06:54:23Z)
• Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
  モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。 これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
  論文  参考訳（メタデータ） (2024-08-14T16:58:48Z)
• EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
  Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
  論文  参考訳（メタデータ） (2024-05-23T05:25:45Z)
• A Lightweight Feature Fusion Architecture For Resource-Constrained Crowd Counting [3.5066463427087777]
  クラウドカウントモデルの汎用性を高めるために,2つの軽量モデルを導入する。 これらのモデルは、MobileNetとMobileViTという2つの異なるバックボーンを持ちながら、同じダウンストリームアーキテクチャを維持している。 隣接特徴融合を利用して、事前学習モデル(PTM)から多様な特徴を抽出し、その後、シームレスにこれらの特徴を組み合わせる。
  論文  参考訳（メタデータ） (2024-01-11T15:13:31Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [47.432215933099016]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
  現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。 アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。 デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
  論文  参考訳（メタデータ） (2020-01-20T15:15:07Z)

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。