論文の概要: Historical Anchors for Scientific Forecasting on Human-Aware Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2610.14023v1
• Date: Tue, 29 Sep 2026 16:38:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:44:18.825935
• Title: Historical Anchors for Scientific Forecasting on Human-Aware Knowledge Graphs
• Title（参考訳）: 知識グラフの科学的予測のための歴史的アンカー
• Abstract要約: 将来的なラベルや個別に訓練されたモデルを必要としない診断であるQAA(Query-Anchor Agreement)を導入する。 QAAは、サンプリング予算を選択し、その結果の予測を洗練または再ランクして、科学的つながりの予測を改善するために使用することができる。 熱電物質と新型コロナウイルス(COVID-19)の薬物再資源化ベンチマーク全体で、QAAが選択した予算は、幅広い候補の回復に最適な後向き選択よりも平均1.86ポイント下がった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Predicting which scientific connections will form next can point researchers toward the most promising leads. One successful approach learns representations by sampling paths through publication networks, represented by a hypergraph, that connect scientific entities, concepts, and researchers, approximating how knowledge and expertise move through the literature. Sampled paths are then used to train an embedding model to forecast scientific connections such as a property of a material. Performance, however, depends strongly on how many paths are sampled: too little sampling yields incomplete representations, while further sampling can eventually weaken prediction quality. The best sampling budget is therefore often identifiable only after future discoveries are known. We introduce Query--Anchor Agreement (QAA), a diagnostic requiring no future labels or separately trained model. QAA can be used to select a sampling budget, and refine or re-rank the resulting forecast to improve forecasting scientific connections. QAA compares the candidates a model predicts for a target with those most similar to the target's known historical examples, and identifies when these two views converge. Across thermoelectric-material and COVID-19 drug-repurposing benchmarks, repeated random-seed runs, and three sampling policies, QAA-selected budgets fall on average 1.86 percentage points below hindsight-optimal selection for broad candidate recovery. Further, promoting candidates supported by both views, under a capped fusion that bounds the anchor contribution, improves broad recovery across all six benchmark-policy settings, which define the types of network walks used for sampling.
• Abstract（参考訳）: 次にどの科学的つながりが形成されるかを予測することは、研究者を最も有望な手がかりに導くことができる。 1つの成功したアプローチは、ハイパーグラフで表現される出版ネットワークを通して、科学的な実体、概念、研究者を結びつける経路をサンプリングすることで表現を学び、知識と専門知識が文学を通してどのように動くかを近似する。 サンプルパスは、材料の性質のような科学的なつながりを予測するために埋め込みモデルを訓練するために使用される。 サンプリングが多すぎると不完全な表現が得られなくなり、さらにサンプリングすることで予測品質が低下する可能性がある。 したがって、最良のサンプリング予算は、将来の発見が判明した後でのみ特定されることが多い。 将来的なラベルや個別に訓練されたモデルを必要としない診断であるQAA(Query-Anchor Agreement)を導入する。 QAAは、サンプリング予算を選択し、その結果の予測を洗練または再ランクして、科学的つながりの予測を改善するために使用することができる。 QAAは、モデルがターゲットに対して予測する候補と、ターゲットの既知の歴史的な例と最もよく似た候補を比較し、これらの2つのビューが収束した時期を特定する。 熱電物質と新型コロナウイルス(COVID-19)の薬物再資源化ベンチマーク、繰り返しのランダム・シード・ラン、そして3つのサンプリング・ポリシーで、QAAが選択した予算は、幅広い候補の回復に最適な選択よりも平均1.86ポイント低い。 さらに、両方のビューでサポートされている候補を、アンカーコントリビューションを束縛するキャップ付きフュージョンの下で促進することで、サンプリングに使用されるネットワークウォークの種類を定義する6つのベンチマークポリシー設定全体にわたって、広範なリカバリを改善する。

関連論文リスト

• Learning to Predict Future-Aligned Research Proposals with Language Models [59.79457676644722]
  我々は目標から得られた17,771の論文とそれらの事前カットオフ引用の時間一貫性のあるデータセットを構築した。 モデルをトレーニングするために、ターゲットとそれらのカットオフ前の引用から17,771枚のタイム一貫性のあるデータセットを構築します。 Llama-3.1 と Qwen2.5 のモデル全体で、将来のアライメントチューニングは、非アライメントベースラインに対する将来のアライメントを改善する。
  論文  参考訳（メタデータ） (2026-03-28T05:41:15Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Are We Wasting Time? A Fast, Accurate Performance Evaluation Framework for Knowledge Graph Link Predictors [4.31947784387967]
  より大規模な知識グラフでは、ランク付けプロセスは急速に重くなります。 従来のアプローチでは、エンティティのランダムサンプリングを使用して、メソッドによって予測または提案されるリンクの品質を評価していた。 得られた評価基準が真の結果を適切に反映していないため,本手法には深刻な限界があることが示されている。 本稿では,リレーショナルリコメンデータを用いて候補の選択を誘導するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-25T15:44:46Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Don't Be So Sure! Boosting ASR Decoding via Confidence Relaxation [7.056222499095849]
  ビームサーチは 予測分布を用いて 最大限の確率で 書き起こしを求める 最近提案された自己監督学習(SSL)ベースのASRモデルは、極めて確実な予測をもたらす傾向があることを示す。 細調整されたASRモデルの性能を向上させる復号法を提案する。
  論文  参考訳（メタデータ） (2022-12-27T06:42:26Z)
• Selection by Prediction with Conformal p-values [7.917044695538599]
  本研究では,未観測結果がユーザ指定値を超える候補を選択するためのスクリーニング手順について検討する。 本研究では,任意の予測モデルをラップして候補のサブセットを生成する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-04T06:34:49Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• AGATHA: Automatic Graph-mining And Transformer based Hypothesis generation Approach [1.7954335118363964]
  本稿では,発見過程の早い段階でデータ駆動的な洞察を導入する仮説生成システムを提案する。 AGATHAは、エンティティセット間で有効な用語ペアを優先し、新たな研究方向性を推奨します。 本システムは,確立したベンチマークにおいて,クラス内での最高の性能を実現する。
  論文  参考訳（メタデータ） (2020-02-13T17:06:47Z)

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。