論文の概要: Modelpedia: A Catalog of Model Findings for the Meta-Science of AI

• arxiv url: http://arxiv.org/abs/2609.01090v1
• Date: Tue, 01 Sep 2026 11:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.605133
• Title: Modelpedia: A Catalog of Model Findings for the Meta-Science of AI
• Title（参考訳）: Modelpedia:AIのメタ科学のためのモデル発見のカタログ
• Authors: Franciszek Bernat, Dawid Płudowski, Michał Jan Włodarczyk, Luca Longo, Jianlong Zhou, Andreas Holzinger, Riccardo Guidotti, Wojciech Samek, Przemysław Biecek,
• Abstract要約: Modelpediaは、発行された論文からモデルに関する発見を抽出し、関連するモデル、データセット、メソッド、概念にリンクし、結果を検索可能なパブリックカタログに集約する自動フレームワークである。 ICLR 2024 と 2025 の論文にプロトタイプを適用して,1000 以上の知見を抽出し,そのカタログ自体を研究対象として扱い,コミュニティによるモデル調査のメタ分析を行う。
• 参考スコア（独自算出の注目度）: 16.336234329655372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific knowledge about AI models is produced faster than the community can organize it. Every few months a new foundation model reshapes the field and hundreds of papers, blogs, and technical reports document how each behaves or fails. Yet, these findings remain scattered and effectively unretrievable. To address this gap we present Modelpedia, an automated, LLM-assisted framework that extracts findings about models from published papers, links it to the model, dataset, method, and concept it concerns, and aggregates the result into a searchable public catalog. Applying the prototype to accepted ICLR 2024 and 2025 papers, we extract over a thousand findings and, treating the catalog itself as an object of study, run a meta-analysis of how the community investigates models. Now, we invite the community to explore, contribute to, and build on the open catalog, and to help establish model findings as a shared foundation for the meta-science of AI.
• Abstract（参考訳）: AIモデルに関する科学的知識は、コミュニティがそれを組織化できるよりも早く生成される。 数ヶ月毎に、新しいファンデーションモデルがフィールドを再認識し、何百もの論文、ブログ、技術レポートがそれぞれがどのように振る舞うか、失敗するかを文書化する。 しかし、これらの発見はいまだに散在しており、事実上回収不可能である。 このギャップに対処するために、我々は、自動LLM支援フレームワークであるModelpediaを紹介します。これは、発行された論文からモデルに関する発見を抽出し、それをモデル、データセット、メソッド、概念にリンクし、その結果を検索可能なパブリックカタログに集約します。 ICLR 2024 と 2025 の論文にプロトタイプを適用して,1000 以上の知見を抽出し,そのカタログ自体を研究対象として扱い,コミュニティによるモデル調査のメタ分析を行う。 現在、私たちはコミュニティにオープンカタログを探求し、貢献し、構築し、AIのメタサイエンスの共有基盤としてモデル発見を確立する手助けをするよう呼びかけています。

関連論文リスト

• Proceedings of the 7th Workshop on Models for Formal Analysis of Real Systems [2.277447144331876]
  第7回実システムの形式解析モデルワークショップ(MARS 2026)に参加して MARS 2026は、2026年4月12日にイタリアのトリノで行われた。
  論文  参考訳（メタデータ） (2026-04-03T14:06:16Z)
• Predicting New Research Directions in Materials Science using Large Language Models and Concept Graphs [30.813288388998256]
  大規模言語モデル(LLM)は,自動キーワード抽出法よりも効率的に概念を抽出できることを示す。 機械学習モデルは、歴史的データに基づいて、概念の新たな組み合わせを予測するために訓練される。 本モデルは,まだ研究されていないトピックの革新的な組み合わせを予測することによって,材料科学者の創造的思考プロセスに刺激を与えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-20T08:26:12Z)
• 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)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• 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)
• A Metascience Study of the Low-Code Scientific Field [2.031841135743809]
  ローコード」は、いくつかの人気の高い開発プラットフォームとの結びつきから、モデル分野を嵐で捉えてきた。 本稿では低符号のメタサイエンス研究について述べる。 私たちは、ローコードコミュニティの現在と将来の軌道について議論を起こそうと考えています。
  論文  参考訳（メタデータ） (2024-08-12T08:03:01Z)
• Method and Dataset Entity Mining in Scientific Literature: A CNN + Bi-LSTM Model with Self-attention [21.93889297841459]
  MDERと呼ばれる新しいエンティティ認識モデルを提案し、科学的論文から効果的にメソッドとデータセットを抽出することができる。 我々は,NLP,CV,データマイニング,AIの4つの研究分野の論文から構築したデータセットのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-26T13:38:43Z)

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。