論文の概要: Efficient Context-Limited Telescope Bibliography Classification for the WASP-2025 Shared Task Using SciBERT
- arxiv url: http://arxiv.org/abs/2609.01647v1
- Date: Sat, 29 Aug 2026 17:21:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.584951
- Title: Efficient Context-Limited Telescope Bibliography Classification for the WASP-2025 Shared Task Using SciBERT
- Title（参考訳）: SciBERTを用いたWASP-2025共有タスクの効率的なコンテキスト制限型望遠鏡文献分類
- Abstract要約: 本稿では,SciBERTをベースとした科学的論文の自動分類手法を,4つのカテゴリ(科学,計測,言及,望遠鏡ではない)に分類する。
厳密な文脈制約にもかかわらず、我々の手法はマクロF1スコア0.89を達成し、WASP-2025リーダーボードの上位にランクインした。
我々は、切り抜き、チャンキング、長文モデルのトレードオフについて議論し、科学的テキストキュレーションの効率フロンティアに関する洞察を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The creation of telescope bibliographies is a crucial part of assessing the scientific impact of observatories and ensuring reproducibility in astronomy. This task involves identifying, categorizing, and linking scientific publications that reference or use specific telescopes. However, this process remains largely manual and resource intensive. In this work, we present an efficient SciBERT-based approach for automatic classification of scientific papers into four categories - science, instrumentation, mention, and not telescope. Despite strict context-length constraints (maximum 512 tokens) and limited compute resources, our approach achieved a macro F1 score of 0.89, ranking at the top of the WASP-2025 leaderboard. We analyze the effect of truncation and show that even with half the samples exceeding the token limit, SciBERT's domain alignment enables robust classification. We discuss trade-offs between truncation, chunking, and long-context models, providing insights into the efficiency frontier for scientific text curation.
- Abstract（参考訳）: 望遠鏡の書誌の作成は、観測所の科学的影響を評価し、天文学における再現性を確保する上で重要な部分である。
この課題は、特定の望遠鏡を参照または使用する科学出版物を特定し、分類し、リンクすることである。
しかし、このプロセスの大部分は手作業とリソース集約に留まっている。
本研究では,SciBERTをベースとした科学的論文の自動分類手法を,4つのカテゴリ(科学,計測,言及,望遠鏡ではない)に分類する。
厳密なコンテキスト長制約(最大512トークン)と限られた計算資源にもかかわらず、我々のアプローチはマクロF1スコア0.89を獲得し、WASP-2025のリーダーボードのトップにランクインした。
SciBERTのドメインアライメントは,トークン限界を超えるサンプルの半数でも,ロバストな分類を可能にしていることを示す。
我々は、切り抜き、チャンキング、長文モデルのトレードオフについて議論し、科学的テキストキュレーションの効率フロンティアに関する洞察を提供する。
関連論文リスト
- Large-scale dataset of automatically classified rhetorical sections in scientific papers [0.09558392439655013]
セマンティック・スカラー・オープン・リサーチ・コーポレーション(S2ORC)による数百万の科学論文に対するセクションレベルのアノテーションのデータセットを提示する。
規則に基づく分類アルゴリズムを用いて、1560万の論文に品質フィルタリングを施した後、主要なセクションを特定しラベル付けした。
データセットは主にSTEMの分野をカバーしており、医学や生物学において強い表現がある。
論文 参考訳（メタデータ） (2026-07-03T14:37:04Z) - Compass: Navigating Global Marine Lead Data Integration through Expert-Guided LLM Agent [55.77954024801206]
海洋鉛(Pb)とその同位体は海洋循環と人為的汚染にとって重要なトレーサーである。
手動抽出はスケールできないが、汎用大規模言語モデル(LLM)は必要なドメイン固有の知識を欠いている。
我々は,LLMが微調整なしで厳密な科学的データ抽出を行うことのできる専門家誘導型適応手法を提案する。
論文 参考訳（メタデータ） (2026-05-28T14:06:25Z) - SciCustom: A Framework for Custom Evaluation of Scientific Capabilities in Large Language Models [63.357710580101894]
大規模言語モデル(LLM)は、科学研究にますます応用されているが、既存の評価は、実際に必要とされる詳細な能力の反映に失敗することが多い。
この問題に対処するため、SciCustomという新しいフレームワークを提案する。
大規模な科学的データからベンチマークのカスタム構築を可能にし、LLMの応用固有の科学的能力を評価する。
論文 参考訳（メタデータ） (2026-05-19T04:41:43Z) - AstroConcepts: A Large-Scale Multi-Label Classification Corpus for Astrophysics [0.19804102882400357]
AstroConceptsは、Unified Astronomy Thesaurusの2,367の概念をラベル付けした21,702の天体物理学論文のコーパスである。
コーパスは厳格なラベルの不均衡を示し、概念の76%は50例未満のトレーニング例を持っている。
本評価では,科学的テキスト分類に新たな洞察を与える3つの重要なパターンを明らかにした。
論文 参考訳（メタデータ） (2026-04-02T15:27:00Z) - RPC-Bench: A Fine-grained Benchmark for Research Paper Comprehension [65.81339691942757]
RPC-Bench(RPC-Bench)は、高品質なコンピュータサイエンス論文のレビュー・リビューの交換から構築された大規模質問応答ベンチマークである。
我々は、科学研究の流れに沿ったきめ細かい分類を設計し、モデルがなぜ、何、どのように学術的な文脈で質問するかを理解し、答える能力を評価する。
論文 参考訳（メタデータ） (2026-01-14T11:37:00Z) - amc: The Automated Mission Classifier for Telescope Bibliographies [0.10262304700896198]
改良版のamcはTRACS Kaggleチャレンジでよく機能する。
Amcは過去のデータセットを問合せしたり、潜在的なラベルエラーを検出できる。
論文 参考訳（メタデータ） (2025-12-12T01:24:42Z) - Encoder Fine-tuning with Stochastic Sampling Outperforms Open-weight GPT in Astronomy Knowledge Extraction [11.478263835391433]
本稿では,天文学記事から知識を抽出するエンコーダに基づくシステムを提案する。
我々のシステムは、単純で低コストな実装であるにもかかわらず、オープンウェイトGPT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） (2025-11-11T13:08:30Z) - AstroVisBench: A Code Benchmark for Scientific Computing and Visualization in Astronomy [39.94582666929051]
AstroVisBenchは天文学領域における科学計算と可視化の両方のための最初のベンチマークである。
本稿では,最先端言語モデルの評価を行い,天文学研究に有用なアシスタントとして携わる能力に大きなギャップがあることを示す。
論文 参考訳（メタデータ） (2025-05-26T21:49:18Z) - SciDMT: A Large-Scale Corpus for Detecting Scientific Mentions [52.35520385083425]
SciDMTは,科学的言及検出のための拡張および拡張されたコーパスである。
コーパスは,1)SciDMTの主コーパスは8万4千件の科学的論文と8百万件以上の弱い注釈付き言及アノテーションと,2)評価目的のために手作業で注釈付けされた100件の科学的論文からなる評価セットから構成される。
論文 参考訳（メタデータ） (2024-06-20T22:03:21Z) - SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [97.31347312130119]
SciRIFF(Scientific Resource for Instruction-Following and Finetuning)は、トレーニングと評価のための137K命令フォローインスタンスのデータセットで、54のタスクをカバーする。
これらのタスクは、情報抽出、要約、質問応答、クレーム検証、分類の5つの中核的な科学文献理解能力にまたがる。
SciRIFFは、さまざまな科学分野にわたる研究文献から情報を抽出し、合成するための、完全に専門家によって書かれた高品質な命令追跡データセットである。
論文 参考訳（メタデータ） (2024-06-10T21:22:08Z) - ACL-Fig: A Dataset for Scientific Figure Classification [15.241086410108512]
科学文献から図形と表を抽出するパイプラインと、視覚的特徴を用いて科学的図形を分類するディープラーニングベースのフレームワークを開発する。
ACLアンソロジーにおける56K研究論文から抽出された112,052の科学的資料からなる,最初の大規模自動注釈コーパスであるACL-Figを構築した。
ACL-Fig-Pilotデータセットには、19のカテゴリに属する1,671の科学的数字が含まれている。
論文 参考訳（メタデータ） (2023-01-28T20:27:35Z) - Informational Space of Meaning for Scientific Texts [68.8204255655161]
本稿では,単語の意味を,テキストが属する対象カテゴリに関する相対情報ゲイン(RIG)のベクトルで表現する意味空間を紹介する。
Leicester Scientific Corpus (LSC) と Leicester Scientific Dictionary-Core (LScDC) に基づく意味空間の構築に本手法を適用した。
RIGに基づく提案モデルでは,カテゴリ内の話題特化語を際立たせる能力があることが示されている。
論文 参考訳（メタデータ） (2020-04-28T14:26:12Z)
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。