論文の概要: Dataset repurposing and disruptive AI research

• arxiv url: http://arxiv.org/abs/2609.16736v1
• Date: Tue, 15 Sep 2026 07:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.38142
• Title: Dataset repurposing and disruptive AI research
• Title（参考訳）: データセットの再利用と破壊的AI研究
• Abstract要約: 我々は1万以上の機械学習論文にまたがるデータ再利用に関する科学的結果を分析する。 ほとんどの再使用データセットは、短期的には広範囲の可視性を達成できないが、データの再利用は、より大きな破壊に結びついている。
• 参考スコア（独自算出の注目度）: 0.6355308240964374
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Technological advancements are enabling increasingly systematic and large-scale data collection across all areas of science, driving scientific innovation. In particular, AI research exemplifies this trend, having advanced rapidly through the assembly of massive datasets used to train and evaluate machine learning models. However, the escalating demand for data, the difficulty of creating high-quality datasets, and the exhaustion of easily accessible data sources in AI research raise important questions about how to maximize the value of existing datasets through recombination and repurposing. Here, we draw on two theoretical frameworks---recombinational novelty and transformational creativity---to examine the practice of data repurposing and its scientific impact. Focusing on AI, we analyze scientific outcomes associated with data repurposing across more than 10,000 machine learning papers. First, we find that although most repurposed datasets do not achieve broad visibility in the short term, data repurposing is associated with greater disruption. Second, when repurposed data is adopted by subsequent research, the repurposing paper is associated with higher disruption and increased citation impact. Third, repurposing teams tend to be more experienced, more institutionally prestigious, and involve academic--industry collaboration. However, team characteristics poorly predict which repurposed datasets will be adopted by the community. These findings suggest that data repurposing may be an important approach to scientific discovery, and that its successful adoption is more common among larger teams and collaborations spanning academia and industry.
• Abstract（参考訳）: 技術進歩は、科学のあらゆる領域にわたって、ますます体系的かつ大規模なデータ収集を可能にし、科学革新を推進している。 特に、AI研究はこの傾向を実証しており、機械学習モデルのトレーニングと評価に使用される膨大なデータセットの組み立てを通じて急速に進歩している。 しかし、データに対する需要の増大、高品質なデータセット作成の難しさ、AI研究で容易にアクセス可能なデータソースの枯渇は、組換えと再利用を通じて既存のデータセットの価値を最大化する方法について重要な疑問を提起する。 ここでは、データ再利用の実践とその科学的影響を検討するために、2つの理論的枠組み、すなわち、再共生的ノベルティと変革的創造性について論じる。 AIに着目して、10,000以上の機械学習論文にまたがるデータ再利用に関連する科学的結果を分析します。 まず、ほとんどの再使用データセットは短期的には広範囲の可視性は得られないが、データ再取得はより大きな破壊に結びついていることが分かる。 第2に, 再使用データをその後の研究で採用する場合, 再購入用紙は破壊性が高く, 励磁効果が増大する。 第3に、リパースするチームは経験が豊富で、制度的に名声が高く、学術的・産業的なコラボレーションが伴う傾向にあります。 しかし、チームの特性は、どの再利用データセットがコミュニティによって採用されるかを予測できない。 これらの結果は、データの再利用が科学的な発見にとって重要なアプローチであり、その採用の成功は、学術と産業にまたがる大規模なチームやコラボレーションの間でより一般的であることを示唆している。

関連論文リスト

• A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
  科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。 この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。 我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
  論文  参考訳（メタデータ） (2025-08-28T18:30:52Z)
• CS-PaperSum: A Large-Scale Dataset of AI-Generated Summaries for Scientific Papers [3.929864777332447]
  CS-PaperSumは、31の上位コンピュータサイエンスカンファレンスから91,919件の大規模データセットである。 我々のデータセットは、自動文献分析、研究トレンド予測、AIによる科学的発見を可能にする。
  論文  参考訳（メタデータ） (2025-02-27T22:48:35Z)
• Dataset Mention Extraction in Scientific Articles Using Bi-LSTM-CRF Model [0.0]
  データレポジトリや資金調達機関による最近の取り組みにもかかわらず、データセットの引用は一般的でも標準的でもないことが示されています。 この問題の潜在的な解決策は、科学論文からデータセットの言及を自動的に抽出することである。 本研究では,Bi-LSTM-CRFアーキテクチャに基づくニューラルネットワークを用いて,そのような抽出を実現することを提案する。
  論文  参考訳（メタデータ） (2024-05-21T18:12:37Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
  データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
  論文  参考訳（メタデータ） (2023-01-07T11:37:32Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• On The State of Data In Computer Vision: Human Annotations Remain Indispensable for Developing Deep Learning Models [0.0]
  高品質ラベル付きデータセットは機械学習(ML)の発展に重要な役割を果たす 2012年にImageNetデータセットとAlexNetモデルが登場して以来、新しいオープンソースのラベル付きビジョンデータセットのサイズはほぼ一定である。 コンピュータビジョンコミュニティの少数の出版物は、Imagenetよりも桁違いの大きさのデータセットの教師付き学習に取り組む。
  論文  参考訳（メタデータ） (2021-07-31T00:08:21Z)
• Rethinking Architecture Design for Tackling Data Heterogeneity in Federated Learning [53.73083199055093]
  注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。 我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
  論文  参考訳（メタデータ） (2021-06-10T21:04:18Z)

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。