論文の概要: Towards Automatic Evolution Tree Generation from Citation Graphs

• arxiv url: http://arxiv.org/abs/2609.09561v1
• Date: Wed, 09 Sep 2026 00:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.852898
• Title: Towards Automatic Evolution Tree Generation from Citation Graphs
• Title（参考訳）: サイテーショングラフからの進化木の自動生成に向けて
• Abstract要約: EvoTreeは、概念的なバックボーン学習を時間的洗練から切り離すフレームワークである。 すべてのベースラインの中で最も高いNMIと引用方向の精度と、注釈付きベンチマークにおける最高の概念の純度を達成する。
• 参考スコア（独自算出の注目度）: 12.00593793510612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surveys remain the primary way researchers grasp the lineage of methods within an AI subfield, but they scale poorly against the current rate of publication. Existing taxonomy-induction methods are largely leaf-bound and time-agnostic; they tend to force transitional papers into mature leaves and can create topological inversions between ancestors and descendants. We propose EvoTree, a staged framework that decouples conceptual backbone learning from temporal refinement: a graph-aware encoder with distribution-based hierarchical clustering yields a stable taxonomy backbone; temporal fine-tuning then re-attaches marginal papers to internal nodes under monotonic-path constraints; a final LLM pass labels concepts without altering the topology. We release the first annotated benchmark for this task across 11 AI subfields. EvoTree attains the highest NMI and citation-direction accuracy among all baselines and the best concept purity on the annotated benchmark, and is the only method with non-trivial marginal-paper detection on the annotated set.
• Abstract（参考訳）: サーベイは、研究者がAIサブフィールド内のメソッドの系統を把握するための主要な方法であるが、現在の出版速度に比較しては不十分である。 既存の分類法は、主に葉に縛られ、時間に依存しないものであり、移行した論文を成熟した葉に強制し、祖先と子孫の間のトポロジカルな逆転を生み出す傾向がある。 EvoTreeは、時間的改善から概念的バックボーン学習を分離する段階的フレームワークであり、分布に基づく階層的クラスタリングを備えたグラフ認識エンコーダは安定した分類的バックボーンを生成する。 このタスクのための最初の注釈付きベンチマークを、11のAIサブフィールドでリリースしています。 EvoTreeは、すべてのベースラインの中で最も高いNMIと引用方向の精度と、アノテートされたベンチマークにおける最良の概念の純度を達成し、アノテートされたセットで非自明な境界紙検出を行う唯一の方法である。

関連論文リスト

• Domain-Agnostic Neural Topic Modeling with Contextual Token-Level Semantic Graph Representation [5.677982677132719]
  DARTopicは、凍結されたPLM埋め込みからトークンレベルのセマンティックグラフを構築し、トピック推論でGNNエンコーダを共同で訓練するフレームワークである。 DARTopicは、エンコーダの微調整なしに、トピックコヒーレンスや文書のclus-teringにおいて、強いベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-08-17T08:43:32Z)
• SemFlowRAG: Directed Semantic Flow from Abstraction to Evidence for Complex Reasoning [15.817479351881062]
  SemFlowRAGは、フラットな検索空間をコーパス適応的な勾配セマンティックグラフに再構成するフレームワークである。 エンティティのセマンティックな抽象性を、関連するパスの埋め込み分散によって定量化することにより、静的な非方向エッジを有向的なセマンティック制約に変換する。 本研究では,SemFlowRAGがブラックホールの確率問題を効果的に軽減し,検索性能と下流推論性能の両方において既存のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T08:40:08Z)
• Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
  粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。 i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。 本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
  論文  参考訳（メタデータ） (2026-05-12T08:20:23Z)
• Manifold-Aligned Guided Integrated Gradients for Reliable Feature Attribution [26.87015322424142]
  統合勾配(IG)は、ベースラインと入力の間の積分経路がノイズ勾配のある領域を通過するとき、信頼できない説明が得られる。 本稿では,事前学習した変分オートエンコーダの潜在空間における帰属経路を構成するemphManifold-Aligned Guided Integrated Gradients (MA-GIG)を提案する。
  論文  参考訳（メタデータ） (2026-05-04T02:56:29Z)
• Explaining, Verifying, and Aligning Semantic Hierarchies in Vision-Language Model Embeddings [10.299190830046872]
  本稿では,VLMによって誘発されるセマンティック階層を,特定の子クラスに対して説明し,検証し,調整するためのポストホックフレームワークを提案する。 我々は,効率的な木認識とエッジレベルの整合性尺度を用いて,抽出した木と人間の検索を比較して妥当性を定量化し,説明可能な階層木トラバース推定による有用性を評価する。
  論文  参考訳（メタデータ） (2026-03-26T00:38:38Z)
• 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)
• AdmTree: Compressing Lengthy Context with Adaptive Semantic Trees [66.39371821756649]
  適応的で階層的なコンテキスト圧縮のための新しいフレームワークであるAdmTreeを提案する。 AdmTreeは情報密度に基づいて入力されたセグメントをgistトークンを利用して、可変長のセグメントをセマンティックバイナリツリーの葉として要約する。 グローバルなセマンティックコヒーレンスと共に細かな詳細を保存し、位置バイアスを緩和し、コンテンツに動的に適応することによって、AdmTreeは長いコンテキストのセマンティック情報をしっかりと保持する。
  論文  参考訳（メタデータ） (2025-12-04T08:04:19Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Graph-Based Uncertainty-Aware Self-Training with Stochastic Node Labeling [2.600103729157093]
  本稿では,ノード分類における自信過剰に対処するための,新しいEmphgraph-based uncertainty-aware self-training(GUST)フレームワークを提案する。 本手法は, グラフトポロジに基礎を置き, 従来の自己学習手法とは大きく異なる。 いくつかのベンチマークグラフデータセットの実験結果から,我々のGUSTフレームワークが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-03-26T21:54:19Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。