論文の概要: MUSE: A Full-Text Cross-Domain Knowledge Base of Scientific Problems, Solutions, and Rationales
- arxiv url: http://arxiv.org/abs/2608.10974v1
- Date: Tue, 11 Aug 2026 14:31:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.0753
- Title: MUSE: A Full-Text Cross-Domain Knowledge Base of Scientific Problems, Solutions, and Rationales
- Title（参考訳）: MUSE: 科学的問題、解決策、合理性に関する完全テキスト横断的な知識ベース
- Abstract要約: MUSE(Mining Underlying Scientific Explanations, Mining Underlying Scientific Explanations)は,P-S-R(P-S-R)三重項のフルテキストリソースである。
579のエキスパート注釈付き全文パラグラフをキュレートし、健全な問題、解決策、合理的な範囲をカバーするリッチなアノテーションスキーマを作成します。
モジュラー抽出パイプラインは、このアノテーションをスケールして37KソースグラウンドのP-S-R三重項の高品質な知識ベースを構築する。
- 参考スコア（独自算出の注目度）: 7.529978082645584
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific papers contain fine-grained records of problem solving: authors mention technical obstacles and methods that were used to address them, often along with reasoning on why those methods were chosen. We introduce MUSE (Mining Underlying Scientific Explanations), a full-text, multi-domain resource of scientific Problem-Solution-Rationale (P-S-R) triplets. We curate 579 expert-annotated full-text paragraphs, with a rich annotation schema covering salient problem, solution, and rationale spans, solves and rationale_of links and conceptual coreference. A modular extraction pipeline scales this annotation to build a high-quality knowledge base of 37K source-grounded P-S-R triplets. We evaluate the extraction components and include a preliminary experiment training a rationale-supervised LLM for scientific problem solving. Interestingly, we find that rationale supervision improves performance on complex, multi-constraint problems but can harm performance on simpler ones.
- Abstract（参考訳）: 著者は、それらに対処するために使われた技術的障害や方法について言及し、多くの場合、それらの方法が選択された理由を推論している。
MUSE(Mining Underlying Scientific Explanations)は,P-S-R(P-S-R)三重項のフルテキスト・マルチドメインリソースである。
我々は579のエキスパート注釈付き全文文をキュレートし、健全な問題、解決策、合理性の範囲、解決と合理性_ofリンク、概念的コア参照を含むリッチなアノテーションスキーマを記述した。
モジュラー抽出パイプラインは、このアノテーションをスケールして37KソースグラウンドのP-S-R三重項の高品質な知識ベースを構築する。
抽出成分の評価を行い,科学的問題解決のための合理化 LLM の予備実験を含む。
興味深いことに、合理的な監視は複雑で制約の多い問題のパフォーマンスを改善するが、単純な問題では性能を損なう可能性がある。
関連論文リスト
- SciVQR: A Multidisciplinary Multimodal Benchmark for Advanced Scientific Reasoning Evaluation [14.69745824275173]
SciVQRは数学、物理学、化学、地理学、天文学、生物学の54の分野をカバーするマルチモーダルベンチマークである。
タスクは、基本的な事実のリコールから、専門家によるソリューションを含む46%の複雑なマルチステップ推論まで様々である。
プロプライエタリモデルとオープンソースモデルの両方を含むMLLMの先導的評価は、複雑なマルチモーダル推論タスクの処理において、重大な制限を明らかにしている。
論文 参考訳（メタデータ） (2026-05-11T08:38:22Z) - MoRI: Learning Motivation-Grounded Reasoning for Scientific Ideation in Large Language Models [3.5060208861040127]
研究モチベーションから方法論への推論プロセスを明確に学習するためのフレームワークとしてtextbfMoRI (textbfMotivation-grounded textbfReasoning for Scientific textbfIdeation) を提案する。
MoRIは、新規性、技術的厳密性、実現可能性など、多次元にわたる強力な商用LCMと複雑なエージェントベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-03-19T15:39:38Z) - Thinker: Training LLMs in Hierarchical Thinking for Deep Search via Multi-Turn Interaction [57.67217258741752]
Thinkerはマルチターンインタラクションによるディープ検索のための階層的思考モデルである。
複素問題を独立に解ける部分確率に分解する。
サブプロブレム間の依存関係は、これらの論理関数を介してパラメータとして渡される。
論文 参考訳（メタデータ） (2025-11-11T07:48:45Z) - AInstein: Assessing the Feasibility of AI-Generated Approaches to Research Problems [28.38783951577184]
AInsteinは、AI研究問題に対する有効なソリューションを、大規模言語モデルが生成できるかどうかをテストするためのフレームワークである。
受け入れ層により層状化された1,214 ICLR紙上でのAInsteinの評価を行った。
論文 参考訳（メタデータ） (2025-10-06T22:50:41Z) - OMEGA: Can LLMs Reason Outside the Box in Math? Evaluating Exploratory, Compositional, and Transformative Generalization [88.76091817642963]
最近の大規模言語モデル (LLMs) は、DeepSeek-R1-のような長い鎖の推論を持ち、オリンピアード級数学において印象的な成果を上げている。
本稿では,3つの分布外一般化の軸を評価するために設計された3つの一般化 Axes-a ベンチマークを用いた OMEGA-Out-of-distriion Math Problems Evaluation を提案する。
論文 参考訳（メタデータ） (2025-06-23T17:51:40Z) - Human Cognition Inspired RAG with Knowledge Graph for Complex Problem Solving [32.293348354802504]
大規模言語モデル(LLM)は、様々な領域にわたる変換ポテンシャルを実証している。
検索・拡張生成(RAG)はLLMの精度を高めるための有望なソリューションとして浮上している。
我々は認知にインスパイアされたグラフベースのRAGフレームワークであるCogGRAGを提案する。
論文 参考訳（メタデータ） (2025-03-09T11:50:39Z) - Improving Physics Reasoning in Large Language Models Using Mixture of Refinement Agents [27.112239616508834]
ミキチャー・オブ・リファインメント・エージェント(Mixture of Refinement Agents, MORA)は、大規模言語モデル(LLM)のための新しいエージェント・リファインメント・フレームワークである。
MoRAは、前述の誤りを訂正することで、LLM生成ベースソリューションを反復的に洗練し、その結果、オープンソースのLLMの性能が大幅に向上する。
我々は、SciEvalおよびMMLUサブセットに対する我々のアプローチと、我々の物理データセット(PhysicsQA)を評価する。
論文 参考訳（メタデータ） (2024-12-01T14:15:55Z) - GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。
GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
論文 参考訳（メタデータ） (2024-10-11T03:05:06Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - SciBench: Evaluating College-Level Scientific Problem-Solving Abilities of Large Language Models [70.5763210869525]
拡張ベンチマークスイートSciBench for Large Language Model (LLM)を導入する。
SciBenchには、数学、化学、物理学の分野から、さまざまな大学レベルの科学的問題を含むデータセットが含まれている。
その結果、現在のLLMは満足のいく性能を達成できないことが判明し、全体のスコアは43.22%に過ぎなかった。
論文 参考訳（メタデータ） (2023-07-20T07:01:57Z) - Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。
これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。
実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
論文 参考訳（メタデータ） (2023-05-29T23:24:14Z) - Learning by Fixing: Solving Math Word Problems with Weak Supervision [70.62896781438694]
数学用語問題(mwps)の従来のニューラルネットワークソルバは、完全な監視によって学習され、多様なソリューションを生み出すことができない。
MWPを学習するためのテキスト弱教師付きパラダイムを提案する。
この手法は最終回答のアノテーションのみを必要とし、単一の問題に対して様々な解決策を生成できる。
論文 参考訳（メタデータ） (2020-12-19T03:10:21Z)
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。