論文の概要: SCoR: A Hierarchical Framework for Forecasting Relations Between Scientific Concepts
- arxiv url: http://arxiv.org/abs/2609.22174v1
- Date: Thu, 27 Aug 2026 04:46:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.756903
- Title: SCoR: A Hierarchical Framework for Forecasting Relations Between Scientific Concepts
- Title（参考訳）: SCoR:科学概念間の関係を予測するための階層的フレームワーク
- Abstract要約: 新たな研究方向性を期待することは、AI支援科学の重要な目標である。
我々は,研究方向の発見を階層的な科学的相関予測として共有された候補ペア空間上で定式化する。
我々は2017年から2026年にかけて発行された187,848 cs.CV論文からSCoR-Graphを構築し,270,687個の統合概念,745万個の共起エッジ,615,036個の型付き有向関係エッジを得た。
- 参考スコア（独自算出の注目度）: 3.9489815622117566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anticipating emerging research directions is a critical goal of AI-assisted science. Existing methods mainly predict which concepts will co-occur in future papers, but co-occurrence captures shared attention rather than the scientific meaning of a connection, such as whether one method uses, combines, replaces, or contradicts another. We formulate research-direction discovery as hierarchical scientific-relation forecasting over a shared candidate-pair space, comprising three temporally aligned tasks: first co-occurrence, first scientific-relation formation, and relation type at formation. We construct SCoR-Graph from 187,848 cs.CV papers published between 2017 and 2026, yielding 270,687 consolidated concepts, 7.45 million co-occurrence edges, and 615,036 typed, directed relation edges. From cutoff-specific graph snapshots, we derive SCoR-Bench, a leakage-audited benchmark for these three capabilities, with expert-verified gold labels for the entire relation-type test set. We further introduce HiSCoR, a task-adapted model family that models relation emergence as a temporally evolving, hierarchically constrained process by encoding pre-cutoff event histories and conditioning relation formation on future co-occurrence. On the held-out 2025-2026 window, HiSCoR achieves an AUROC of 0.9515, a 2.4% relative improvement over the strongest temporal-graph baseline, and improves population-AUPRC by 14.0%; its relation-type variant achieves a Macro-AUROC of 0.7795. Ablations show that semantic, co-occurrence, and typed-relation views provide complementary predictive evidence. SCoR advances research-direction forecasting from predicting which concepts will co-occur to anticipating whether and how evidence-backed scientific relations will emerge.
- Abstract（参考訳）: 新たな研究方向性を期待することは、AI支援科学の重要な目標である。
既存の方法は、主に将来の論文でどの概念が共起するかを予測するが、共起は、ある方法が他の方法を使用するか、組み合わせるか、置き換えるか、または矛盾するかといった、接続の科学的意味よりも、共有された注意を捉える。
研究方向の発見を,共有候補ペア空間上での階層的科学的関連予測として定式化し,第1の共起,第1の科学的関連形成,形成時の関係タイプという,時間的に整列した3つのタスクからなる。
我々は2017年から2026年にかけて発行された187,848 cs.CV論文からSCoR-Graphを構築し,270,687個の統合概念,745万個の共起エッジ,615,036個の型付き有向関係エッジを得た。
カットオフ固有のグラフスナップショットから、これらの3つの機能のリーク監査されたベンチマークであるSCoR-Benchと、関係型テストセット全体の専門家検証されたゴールドラベルを導出する。
タスク適応型モデルであるHiSCoRについても,前倒しイベント履歴を符号化し,将来的共起に関する条件付き関係形成を行うことにより,関係の出現を時間的に進化し,階層的に制約されたプロセスとしてモデル化する。
ホールドアウトされた2025-2026ウィンドウでは、HiSCoRのAUROCは0.9515で、最強の時間グラフベースラインよりも2.4%改善され、人口-AUPRCは14.0%向上した。
アブレーションは、意味論的、共起的、型付き関係的な見解が相補的な予測的証拠をもたらすことを示している。
SCoRは、どの概念がエビデンスに支えられた科学的関係が出現するかどうかを予測するために、どの概念が共起するかを予測することによる研究方向予測を推進している。
関連論文リスト
- Time-Aligned Evolving Concept Graphs for Scientific Relation Forecasting [3.6148661349421176]
本稿では,意味的および構造的進化を協調的にモデル化する時間整合型概念グラフフレームワークを提案する。
その中核となる考え方は、日付付き論文を共有更新イベントとして扱い、各予測時間を通じて同じ出版履歴から意味的および構造的状態を再構築することである。
アーキテクチャの保持と、修正された、更新されたコンテキストとグラフの更新は、凍結したコンテキストに対する平均関係AUPRCを16.6%改善する。
論文 参考訳（メタデータ） (2026-09-16T05:43:05Z) - Explainable Forecasting of Scientific Breakthroughs from Concept Network Dynamics [0.4724193227268862]
本稿では,研究概念間のリンクの出現と拡大を予測できる,説明可能な機械学習手法を提案する。
59の意味的特徴と位相的特徴を用いて、2段階のLightGBMモデルはコンセプトペアの生成と将来の重量を共同で予測する。
次に、これらの予測をエビデンスベースの研究戦略とポリシーに変換する3層決定アーキテクチャについて概説する。
論文 参考訳（メタデータ） (2026-06-02T16:38:41Z) - FOS: A Large-Scale Temporal Graph Benchmark for Scientific Interdisciplinary Link Prediction [2.9549047539453395]
学際的な科学的ブレークスルーはほとんど予期せず現れ、新しい研究分野の形成を予測することは大きな課題である。
FOS(Future of Science)は、65,027のサブフィールドの年次共起グラフを再構成する、総合的なタイムアウェアグラフベースのベンチマークである。
これらのグラフでは、エッジは1つの出版物における2つのフィールドの共起を表し、対応する出版年とタイムスタンプされる。
我々は,時間的リンク予測タスクとして新たなフィールドペアリンクの予測を定式化し,学際的方向の先駆的な方向を示す「初回」接続を強調した。
論文 参考訳（メタデータ） (2025-11-23T22:08:52Z) - S-GRPO: Early Exit via Reinforcement Learning in Reasoning Models [2.9925837108958864]
テスト時間スケーリングは、大規模な言語モデルコミュニティに活発な研究対象として現れます。
最近の研究では、推論モデル(Qwen3でさえも過度の思考冗長性を示すことが示されている。
本稿では,新たな強化学習パラダイムであるS-GRPO(Serial-Group Decaying-Reward Policy Optimization)を紹介する。
論文 参考訳（メタデータ） (2025-05-12T15:50:44Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳（メタデータ） (2023-09-20T08:11:58Z) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-19T10:15:00Z) - Generalized Relation Learning with Semantic Correlation Awareness for
Link Prediction [29.23338194883254]
本稿では,上記の2つの問題に対処する汎用関係学習フレームワークを提案する。
grlを用いた訓練により、ベクトル空間における意味的類似関係の密接性と類似関係の識別性が向上する。
論文 参考訳（メタデータ） (2020-12-22T12:22:03Z) - R-VGAE: Relational-variational Graph Autoencoder for Unsupervised
Prerequisite Chain Learning [83.13634692459486]
本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。
その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。
提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
論文 参考訳（メタデータ） (2020-04-22T14:48:03Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳（メタデータ） (2019-12-29T00:14:07Z)
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。