論文の概要: A literature-guided descriptor-based framework for filtering composition search spaces
- arxiv url: http://arxiv.org/abs/2609.31650v1
- Date: Mon, 14 Sep 2026 07:37:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 14:19:40.696262
- Title: A literature-guided descriptor-based framework for filtering composition search spaces
- Title（参考訳）: 文文誘導による合成検索空間のフィルタリングのための記述子に基づくフレームワーク
- Abstract要約: 本稿では,文文誘導型記述子に基づく合成探索空間の削減のためのフィルタリングフレームワークを提案する。
与えられた性能指標について、このフレームワークは、文学訓練された単語埋め込みモデルにおいて、フィルタリング語彙から2つの記述子を選択する。
評価された性能指標と合成検索空間全体で、フレームワークは平均74.27%の候補合成をフィルタリングする。
- 参考スコア（独自算出の注目度）: 4.731771934553726
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Scientific literature contains latent knowledge about materials behavior, but much of this knowledge is expressed through words, contexts, and recurring associations rather than explicit design principles. This raises a central question: how can large-scale scientific corpora be used for practical problems in materials discovery? Here, we present a literature-guided descriptor-based filtering framework for reducing composition search spaces. For a given performance metric, the framework selects two descriptors from a filtered vocabulary in a literature-trained word embedding model and uses the selected descriptors to construct a Pareto-based filter for candidate compositions. Across the evaluated performance metrics and composition search spaces, the framework filters out an average of 74.27\% of the candidate compositions, with an average best-value error of 1.93\% relative to experimental measurements. Compared with expert-chosen and random descriptors, our performance metric-dependent descriptors provide a more controlled balance between retained fraction and best-value error. These results show that literature-derived embeddings can support intuitive and reproducible filters for narrowing candidate composition spaces while preserving high-performing compositions.
- Abstract（参考訳）: 科学文献には、材料行動に関する潜伏した知識が含まれているが、この知識の多くは、明示的な設計原則よりも、言葉、文脈、そして反復的な協会を通して表現されている。
これは、物質発見における実践的な問題に対して、大規模な科学的コーパスをどのように使用できるのかという、中心的な疑問を提起する。
本稿では,文文誘導型記述子に基づくフィルタリングフレームワークについて述べる。
与えられた性能指標について、文献学習語埋め込みモデルにおいて、フィルタされた語彙から2つの記述子を選択し、選択された記述子を使用して、候補合成のためのパレートベースのフィルタを構築する。
評価された性能指標と合成検索空間全体で、フレームワークは平均74.27 %の候補構成をフィルタリングし、平均値誤差は実験結果と比較すると1.93 %である。
エキスパート・コセンやランダム・ディスクリプタと比較して、我々のパフォーマンス・メトリック依存ディスクリプタは保持率と最良値の誤差のバランスをよりよく制御できる。
これらの結果から,文献由来の埋め込みは,高い性能の合成を保ちながら,候補合成空間を狭めるための直観的かつ再現可能なフィルタを支持できることが示唆された。
関連論文リスト
- From Word2Vec to Transformers: Text-Derived Composition Embeddings for Filtering Combinatorial Electrocatalysts [4.731771934553726]
学術文献からの埋め込みを用いて,各構成を表現したラベルフリースクリーニング戦略を評価する。
コーパス学習したWord2Vecベースラインとトランスフォーマーベースの埋め込みを比較した。
貴金属合金や多成分酸化物を含む15の材料ライブラリの性能評価を行った。
論文 参考訳（メタデータ） (2026-03-09T19:46:23Z) - Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。
本稿では,高密度検索のための新しい検索ユニット,命題を提案する。
実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-12-11T18:57:35Z) - Integrating Bidirectional Long Short-Term Memory with Subword Embedding
for Authorship Attribution [2.3429306644730854]
マニフォールド語に基づくスタイリスティックマーカーは、著者帰属の本質的な問題に対処するために、ディープラーニング手法でうまく使われてきた。
提案手法は,CCAT50,IMDb62,Blog50,Twitter50の公営企業における最先端手法に対して実験的に評価された。
論文 参考訳（メタデータ） (2023-06-26T11:35:47Z) - Answering Compositional Queries with Set-Theoretic Embeddings [43.926610595182126]
ボックス埋め込みは、学習可能なVennダイアグラムと考えることができる領域ベースの表現である。
双方の行動に関する知見を提供する実験と分析について述べる。
ベクトルとボックスの埋め込みは単一の属性クエリに等しく適しているが、コンポジションクエリボックスの埋め込みは大きな利点がある。
論文 参考訳（メタデータ） (2023-06-07T04:04:36Z) - Finding Support Examples for In-Context Learning [73.90376920653507]
本稿では,この課題を2段階に解決するためのfilter-thEN-Search法であるLENSを提案する。
まず、データセットをフィルタリングして、個別に情報的インコンテキストの例を得る。
そこで本研究では,反復的に改良し,選択したサンプル順列を評価可能な多様性誘導型サンプル探索を提案する。
論文 参考訳（メタデータ） (2023-02-27T06:32:45Z) - A Critical Analysis of Classifier Selection in Learned Bloom Filters [0.3359875577705538]
フィルタ構築に使用されるデータの"複雑さ"は、そのパフォーマンスに大きく影響する可能性がある。
本稿では,学習ブルームフィルタの設計,解析,実装のための新しい手法を提案する。
提案手法とサポートソフトウェアは有効かつ有用であることを示す実験結果が得られた。
論文 参考訳（メタデータ） (2022-11-28T17:17:18Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳（メタデータ） (2020-10-13T21:33:24Z) - A Comparative Study on Structural and Semantic Properties of Sentence
Embeddings [77.34726150561087]
本稿では,関係抽出に広く利用されている大規模データセットを用いた実験セットを提案する。
異なる埋め込み空間は、構造的および意味的特性に対して異なる強度を持つことを示す。
これらの結果は,埋め込み型関係抽出法の開発に有用な情報を提供する。
論文 参考訳（メタデータ） (2020-09-23T15:45:32Z) - A Hybrid Approach to Enhance Pure Collaborative Filtering based on
Content Feature Relationship [0.17188280334580192]
本稿では,自然言語処理領域であるWord2Vecから,コンテンツ特徴間の暗黙的な関係を抽出する手法を提案する。
次に、関連性を利用してアイテムのベクトル表現を決定する新しいコンテンツベースレコメンデーションシステムを提案する。
評価結果から,ユーザが選択した項目の選好を,純粋に協調的なフィルタリングと同等に予測できることが示唆された。
論文 参考訳（メタデータ） (2020-05-17T02:20:45Z)
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。