論文の概要: Same Problem, Different Field: Cross-Domain Solution Import via Domain-Stripped Computational Fingerprints

• arxiv url: http://arxiv.org/abs/2609.07595v1
• Date: Mon, 07 Sep 2026 15:06:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 21:40:15.371553
• Title: Same Problem, Different Field: Cross-Domain Solution Import via Domain-Stripped Computational Fingerprints
• Title（参考訳）: 同じ問題、異なる分野:ドメイン選択型計算フィンガープリントによるドメイン間ソリューションインポート
• Abstract要約: それぞれの紙をドメイン名とメソッド名で綴じられた計算指紋に1回蒸留する。 目的はソリューションインポートであり、曲面クロスフィールド対は同じ問題を解決するため、他のフィールドの標準の特殊解法と交換することができる。 109の論文にまたがる18のメソッドファミリのベンチマークでは、スケルトンは抽象的な0.222から0.513までのドメイン間の検索平均精度を持ち上げ、全指紋は0.557に達する。
• 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 same underlying computational problem is solved across unrelated fields under different names: recursive Bayesian state estimation appears as a "Kalman filter" in control, "Bayesian forecasting" in pharmacokinetics, and "data assimilation" in geoscience. Topical and citation-based scientific embeddings cannot see this shared problem. We distill each paper once into a domain- and method-name-stripped faceted computational fingerprint, a free-text mechanism skeleton plus controlled computational facets. We define a tunable, facet-selectable distance over it. The goal is solution import: surface cross-field pairs solving the same problem, so a bespoke implementation can be swapped for another field's standard, specialized solver. On a benchmark of 18 method families across 109 papers, the skeleton lifts cross-domain retrieval average precision over the abstract from 0.222 to 0.513, and the whole fingerprint reaches 0.557. Strikingly, four trained scientific embedders all fall below plain abstract+TF-IDF: they encode topical and citation similarity, the wrong signal for this task. The gain is the representation: the abstract-to-skeleton swap lifts every embedder, and the pipeline is one cached LLM call per paper plus a cheap embedder. An interventional re-skin / math-edit test shows the fingerprint tracks the computation, not the field. On a 501-paper wild corpus, known twins dominate the top of the ranking (23 of the top 30); with planted pairs excluded from the results, three blind LLM judges rate 3 of the top 5 and 8 of the top 30 pairs genuine import candidates, and 0 of 30 random ones. The human verification is the four executed imports: in one, an open standard solver reproduces a bespoke clinical dosing engine's output. We release the benchmark, the code, and the distillation prompt.
• Abstract（参考訳）: 再帰的ベイズ状態推定は制御における「カルマンフィルタ」、薬物動態学における「ベイズ予測」、地学における「データ同化」として現れる。 トピックと引用に基づく科学的埋め込みは、この共有問題を見ることができない。 筆者らは各紙をドメインおよびメソッド名付き顔認証,自由テキスト機構スケルトンおよび制御された計算用顔認証に一度蒸留した。 我々は、その上に調整可能な、ファセット選択可能な距離を定義する。 目的はソリューションインポートであり、曲面クロスフィールド対は同じ問題を解決しているので、他のフィールドの標準の特殊解法と交換することができる。 109論文にわたる18のメソッドファミリのベンチマークにおいて、スケルトンは抽象概念の0.222から0.513までのドメイン間の検索平均精度を持ち上げ、全指紋は0.557に達する。 興味深いことに、4つの訓練された科学的な埋め込み装置は、すべて、通常の抽象的な+TF-IDF以下である。 抽象スワップはすべての組込み器を持ち上げ、パイプラインは1枚の紙に1つのキャッシュされたLCMコールと安価な組込み器である。 介入的再スキン/数学編集テストは、フィールドではなく、指紋が計算を追跡することを示している。 501ページのワイルドコーパスでは、既知の双子が上位(トップ30の23位)を占め、植樹ペアは結果から除外され、上位30ペアのトップ5と8のトップ5の盲目のLCM審査員3名、真の輸入候補30名、ランダム30名のうち0名が無作為だった。 人間の検証は、実行された4つのインポートである。一つは、オープンスタンダードソルバが、望ましくない臨床用ドージングエンジンの出力を再生する。 ベンチマーク、コード、蒸留のプロンプトをリリースします。

関連論文リスト

• Calibrating Interpretability Instruments Before Trusting Their Verdicts [1.0829694003408499]
  Causal氏は、大きな言語モデル(LLM)の内部は測定にかかっていると主張している。 これらの測定は、エラーではなく可算数を返す特定の診断可能な方法で失敗する。 このノートは、拒絶と道徳的表現に関する因果的解釈可能性プログラムの6つの失敗を文書化している。
  論文  参考訳（メタデータ） (2026-09-13T19:37:02Z)
• ToolGate: An Executable Acceptance Pipeline for Tool-Dependent Scientific Benchmark Construction [5.992855612201743]
  ToolGateは、生成されたすべてのアイテムをプロポーザルとして扱い、3つのゲートが通過したときにのみ保持します。 ToolGateは、繰り返し回答のチェックとスクリーニングを監査可能なプロセスに変え、ドメイン設計と最終レビューを専門家に任せる。
  論文  参考訳（メタデータ） (2026-09-02T03:49:37Z)
• Split the Labor: Separating Evidence Interpretation from Decision Aggregation [0.0]
  言語モデルに多くの情報源から結論に達するよう要求するシステムは通常、それらを1つのプロンプトに分割する。 提案する4分野のエビデンス(仮説,信頼性バケット,合理性,証明)は,両半減期を決定することを示す。 この修正はアーキテクチャよりも算術的であり、言語モデル以外のルールのクラスに適用される。
  論文  参考訳（メタデータ） (2026-08-14T17:24:55Z)
• Automated High-Precision Extraction and Forensic Verification of Data-Bearing Vector Figures [45.39546965981896]
  科学と工学の量的記録は、テキストや表ではなく数字によってもたらされる。 図をグラフィックとして保存すると、そのデータは画像によって近似されず、エンコードされる。 これを3つのコントリビューションに変換します。
  論文  参考訳（メタデータ） (2026-06-30T08:43:32Z)
• Diagnosing Overhead in Dispatch Operations: Cross-architecture Observatory [1.081571058570587]
  AlltoAllのディスパッチは、MoEの専門家並列性の主要なボトルネックである。 ワークロードに関する2つの仮定をテストするために、DODOCOを導入します。 EPのスケーリングは、各アーキテクチャの計測可能な範囲内で、専門家ごとの最大/平均トークン比を5%以上変更する。
  論文  参考訳（メタデータ） (2026-05-20T10:14:00Z)
• How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
  昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。 HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
  論文  参考訳（メタデータ） (2026-05-08T09:30:31Z)
• Benchmarking Complex Multimodal Document Processing Pipelines: A Unified Evaluation Framework for Enterprise AI [0.0]
  私たちはEnterpriseDocBenchを構築し、忠実さのパース、インデックス化の効率、検索の妥当性、生成の基盤化を推し進めました。 BM25、密封、ハイブリッドの3つのパイプラインを、すべて同じGPT-5ジェネレータで実行しました。 事実的正確性は85.5%だが、答えの完全性の平均は0.40である。
  論文  参考訳（メタデータ） (2026-04-29T07:48:41Z)
• AlphaLab: Autonomous Multi-Agent Research Across Optimization Domains with Frontier LLMs [14.167136550376497]
  計算集約ドメインの完全な実験サイクルを自動化する自律的な研究ハーネスであるAlphaLabを紹介する。 ドメインに適応し、データを探索し、分析コードを書き、研究レポートを作成する。 Strategist/Workerループを通じて大規模な実験を実行し、永続的なプレイブックでドメイン知識を蓄積する。
  論文  参考訳（メタデータ） (2026-03-31T21:16:20Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Large Language Monkeys: Scaling Inference Compute with Repeated Sampling [81.34900892130929]
  モデルから候補解を繰り返しサンプリングする簡単な手法を用いて、推論計算をスケーリングのための別の軸として検討する。 複数のタスクやモデルにまたがって、カバレッジは4桁以上のサンプル数でスケールする。 コードや形式的証明のようなドメインでは、回答が自動的に検証されるので、カバレッジの増加は直接的にパフォーマンスの向上につながります。
  論文  参考訳（メタデータ） (2024-07-31T17:57:25Z)
• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data via Differentiable Cross-Approximation [53.95297550117153]
  本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。 提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
  論文  参考訳（メタデータ） (2021-05-29T08:39:57Z)
• Revisiting Mahalanobis Distance for Transformer-Based Out-of-Domain Detection [60.88952532574564]
  本稿では,ドメイン外インテント検出手法を徹底的に比較する。 意図分類のための3つの標準データセット上で,複数のコンテキストエンコーダとメソッドを効率良く評価する。 本研究の主目的は,超微調整トランスフォーマーを用いたドメイン内データエンコーダが優れた結果をもたらすことである。
  論文  参考訳（メタデータ） (2021-01-11T09:10:58Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)

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。