論文の概要: LLM4Impact: Integrating Heterogeneous Information for Scientific Impact Prediction

• arxiv url: http://arxiv.org/abs/2610.10138v1
• Date: Wed, 07 Oct 2026 14:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.956255
• Title: LLM4Impact: Integrating Heterogeneous Information for Scientific Impact Prediction
• Title（参考訳）: LLM4Impact:科学的影響予測のための異種情報の統合
• Abstract要約: 科学的影響予測のためのエビデンス対応手法であるLSM4Impactを提案する。 異種情報の表現、統合、校正を学ぶ。 以上の結果から,このような証拠の価値は文脈依存的であることが明らかとなった。
• 参考スコア（独自算出の注目度）: 26.836899376529786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the future impact of a newly published paper is challenging because it must be inferred from heterogeneous evidence available at publication time. Existing approaches often rely on a single source of information or combine multiple sources without accounting for their different predictive roles. In this paper, we present LLM4Impact, an evidence-aware method for scientific impact prediction that learns to represent, integrate, and calibrate heterogeneous information. LLM4Impact combines semantic, graph, LLM, and temporal representations, and injects graph information into a frozen LLM through continuous prefix tokens. A context aware gating mechanism adaptively weights different evidence, while a separate calibration module accounts for domain and temporal variation in citation scales. We further construct a large-scale benchmark dataset with 2 million papers, leakage-safe point-in-time heterogeneous ego graphs, temporal splits, and both year-level and month-level citation targets. Experiments show that LLM4Impact consistently outperforms strong semantic, graph, and LLM based baselines, with a 10.13% reduction in year RMSE on the in distribution test set and a 6.87% reduction under out-of-domain distribution. Our results reveal that the value of such evidence is context dependent: different papers benefit from different sources, while domain and publication time affect how evidence translates into citations. This finding motivates adaptive evidence selection and context-conditioned calibration rather than simply richer representations. We will release our code, benchmark, and an interactive web demonstration upon publication.
• Abstract（参考訳）: 出版時に利用可能な異質な証拠から推測する必要があるため、新刊論文の将来的な影響を予測することは困難である。 既存のアプローチは、しばしば単一の情報ソースに依存するか、異なる予測的役割を考慮せずに複数のソースを組み合わせる。 本稿では、異種情報の表現、統合、校正を学習する科学的影響予測のためのエビデンス対応手法であるLSM4Impactを提案する。 LLM4Impactはセマンティック、グラフ、LDM、時間表現を結合し、連続した接頭辞トークンを通じて凍結LDMにグラフ情報を注入する。 文脈認識ゲーティング機構は、異なるエビデンスを適応的に重み付けし、別のキャリブレーションモジュールは、引用スケールの領域および時間的変動を考慮に入れている。 さらに、200万の論文、リークセーフなポイントインタイム異種エゴグラフ、時間分割、年単位および月単位の引用ターゲットによる大規模ベンチマークデータセットを構築した。 実験の結果、LLM4Impactは強いセマンティック、グラフ、LLMベースのベースラインを一貫して上回り、分布内テストセットでRMSEが10.13%、ドメイン外分布で6.87%減少していることがわかった。 このような証拠の価値は、異なる論文が異なる情報源から恩恵を受けるのに対して、ドメインと出版時間は、証拠がどのように引用に変換されるかに影響を及ぼす。 この発見は、単によりリッチな表現ではなく、適応的なエビデンス選択と文脈条件のキャリブレーションを動機付けている。 コード、ベンチマーク、インタラクティブなWebデモを公開していきます。

関連論文リスト

• SciImpact: A Multi-Dimensional, Multi-Field Benchmark for Scientific Impact Prediction [10.526822187607658]
  SciImpactは19分野にわたる科学的影響予測のための大規模多次元ベンチマークである。 215,928枚のコントラスト紙で構成され、短期と長期の両方で有意義な影響差を反映している。 我々は、SciImpact上で広く使われている11の大規模言語モデル(LLM)を評価した。
  論文  参考訳（メタデータ） (2026-04-18T20:33:31Z)
• CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
  大規模言語モデル (LLM) は新たなリスクを導入している。 本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。 我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-26T19:17:39Z)
• Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
  本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
  論文  参考訳（メタデータ） (2026-02-03T10:26:16Z)
• How Do LLM-Generated Texts Impact Term-Based Retrieval Models? [76.92519309816008]
  本稿では,大規模言語モデル(LLM)が項ベース検索モデルに与える影響について検討する。 言語学的解析により,LLM生成テキストはよりスムーズで低周波なZipf勾配を示すことが明らかとなった。 本研究は,項分布がクエリと密接に一致した文書を優先して,項ベース検索モデルがソースバイアスを示すかどうかを考察する。
  論文  参考訳（メタデータ） (2025-08-25T06:43:27Z)
• Factual Self-Awareness in Language Models: Representation, Robustness, and Scaling [56.26834106704781]
  大規模言語モデル(LLM)のユビキタス展開における主要な関心事の一つは、生成されたコンテンツの事実的誤りである。 我々は, LLMの内部コンパスの存在を裏付ける証拠を提供し, 生成時の事実的リコールの正しさを規定する。 モデルサイズにわたる実験のスケールとトレーニングのダイナミクスは、トレーニング中に自己認識が急速に出現し、中間層でピークとなることを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-05-27T16:24:02Z)
• CaLM: Contrasting Large and Small Language Models to Verify Grounded Generation [76.31621715032558]
  グラウンデッドジェネレーションは、言語モデル(LM)に、より信頼性が高く説明可能な応答を生成する能力を持たせることを目的としている。 本稿では,新しい検証フレームワークであるCaLMを紹介する。 我々のフレームワークは、より少ないパラメトリックメモリに依存する小さなLMを有効活用し、より大きなLMの出力を検証する。
  論文  参考訳（メタデータ） (2024-06-08T06:04:55Z)
• Predicting Scientific Impact Through Diffusion, Conformity, and Contribution Disentanglement [11.684776349325887]
  既存のモデルは、引用数推定に静的グラフに依存するのが一般的である。 論文の拡散, コンフォーマル性, コントリビューション値に潜在的影響を分散させる新しいモデルDPPDCCを導入する。
  論文  参考訳（メタデータ） (2023-11-15T07:21:11Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)

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。