論文の概要: LLMs Interpret, Embeddings Organize, Graphs Emerge: Agent-Driven Compilation of Scientific Knowledge

• arxiv url: http://arxiv.org/abs/2608.29612v1
• Date: Sun, 30 Aug 2026 07:05:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.02104
• Title: LLMs Interpret, Embeddings Organize, Graphs Emerge: Agent-Driven Compilation of Scientific Knowledge
• Title（参考訳）: LLMs Interpret, Embeddings Organize, Graphs Emerge: Agent-Driven Compilation of Scientific Knowledge
• Abstract要約: 我々はこのプロセスを知識コンパイルと呼び、ASKSで実装する。 各ソースに対して、LLMは読みやすいWikiビューとマシン対応セマンティクスを生成する。 それぞれのインジェクションは、蓄積された知識に対する検査可能な状態遷移であり、コンパイルされたWikiと保存されたソースレコードにリンクされたグラフビューである。
• 参考スコア（独自算出の注目度）: 11.036596866006931
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Sustained scientific work requires a knowledge substrate that carries interpretation across tasks and preserves paths to source evidence. We call this process \emph{scientific knowledge compilation} and implement it in ASKS, the \emph{Agent-Driven Scientific Knowledge System}. For each source, an LLM produces a readable Wiki view and machine-facing semantics. Deterministic checks convert the latter into a document-local GraphDelta, and embedding geometry together with explicit graph rules integrates the proposed changes into persistent state. Each ingest is an inspectable state transition over accumulated knowledge, with compiled Wiki and graph views linked to the preserved source record. We examine this process by chronologically compiling 56 published papers from one research program. Branch survival, cross-paper support, lineage, coverage, and churn yield a source-traceable author research portrait centered on tensor-network methods, with branches into quantum many-body research, tensor-network machine learning, and quantum-AI-oriented directions. In this run, higher-level Hub organization remains stable and low-churn. Canonical-node growth is predominantly additive. Graph-level measurements and navigation paths retain links to the source records from which they were compiled.
• Abstract（参考訳）: 持続可能な科学的研究には、タスクを横断する解釈を伝達し、証拠の源泉となる経路を保存する知識基板が必要である。 我々はこのプロセスを「emph{scientific knowledge compilation}」と呼び、ASKS、すなわち「emph{Agent-Driven Scientific Knowledge System}」に実装する。 各ソースに対して、LLMは読みやすいWikiビューとマシン対応セマンティクスを生成する。 決定論的チェックは後者を文書ローカルなGraphDeltaに変換し、明示的なグラフルールとともに幾何学を埋め込み、提案された変更を永続的な状態に統合する。 それぞれのインジェクションは、蓄積された知識に対する検査可能な状態遷移であり、コンパイルされたWikiと保存されたソースレコードにリンクされたグラフビューである。 本研究では,この過程を,ある研究プログラムから56の論文を時系列にまとめて検討する。 ブランチサバイバル、クロスペーパーサポート、系統、カバレッジ、チャーンは、量子多体研究、テンソルネットワーク機械学習、量子AI指向の方向性といった、テンソルネットワークの手法を中心にした、ソース追跡可能な著者の肖像画を生み出す。 このような状況下では、ハイレベルなHub組織は、安定的で低調なままです。 陰極成長は主に添加物である。 グラフレベルの測定とナビゲーションパスは、コンパイルされたソースレコードへのリンクを保持する。

関連論文リスト

• Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
  ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-09-04T23:32:11Z)
• SciForge: An AI-Native, Multimodal Workbench for Scientific Discovery [48.99744520105086]
  SciForgeはマルチモーダルな研究ネイティブAIワークベンチである。 検索、解析、モデルルーティング、ワークフローの実行、プロット、書き込み、プレゼンテーション生成がモジュラーエージェントアクセス可能なサービスとして実行される間、人間の判断のためにグラフィカルインターフェースを予約する。
  論文  参考訳（メタデータ） (2026-07-17T15:13:03Z)
• Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
  ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。 1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
  論文  参考訳（メタデータ） (2026-04-07T17:59:58Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• The Discovery Engine: A Framework for AI-Driven Synthesis and Navigation of Scientific Knowledge Landscapes [0.0]
  本稿では,文献を科学的領域の統一的,計算的に抽出可能な表現に変換するフレームワークであるDiscovery Engineを紹介する。 Discovery Engineは、AIが強化した科学調査と発見の加速のための新しいパラダイムを提供する。
  論文  参考訳（メタデータ） (2025-05-23T05:51:34Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GraphKD: Exploring Knowledge Distillation Towards Document Object Detection with Structured Graph Creation [14.511401955827875]
  ドキュメントにおけるオブジェクト検出は、構造的要素の識別プロセスを自動化するための重要なステップである。 文書画像中の文書オブジェクトを正しく識別し,ローカライズするための,グラフベースの知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-17T23:08:32Z)
• Knowledge Graph Prompting for Multi-Document Question Answering [46.29217406937293]
  我々は,多文書質問応答(MD-QA)を促す上で,適切なコンテキストを定式化するための知識グラフプロンプティング(KGP)手法を提案する。 グラフ構築のために、パスや文書構造(例えば、ページ/テーブル)を象徴するノードを持つ複数のドキュメントに知識グラフ(KG)を作成する。
  論文  参考訳（メタデータ） (2023-08-22T18:41:31Z)

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。