論文の概要: Bridging Concepts: Multi-Agent Reasoning over Scientific Concept Graphs for High-Impact Research Prediction

• arxiv url: http://arxiv.org/abs/2610.25281v1
• Date: Sun, 18 Oct 2026 13:56:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:01:57.843073
• Title: Bridging Concepts: Multi-Agent Reasoning over Scientific Concept Graphs for High-Impact Research Prediction
• Title（参考訳）: ブリジング概念:高信頼研究予測のための科学概念グラフに対するマルチエージェント推論
• Abstract要約: 以前は連結されていない概念が最初に研究されたときに、しばしば新しいトピックが現れる。 論文から抽出した微細な研究概念をノードとする科学概念グラフ(SCG)を構築した。 本研究では,現在接続されていないが接続時に大きな影響を与える概念ペアの発見という,インパクトの高い概念ペアの予測課題について検討する。
• 参考スコア（独自算出の注目度）: 7.250850162908686
• License:
• Abstract: Within a research community, new topics often emerge when previously unconnected concepts are first studied together. We construct scientific concept graphs (SCGs)--domain knowledge graphs whose nodes are fine-grained research concepts extracted from paper text by LLMs and whose edges capture their co-occurrence in papers--and study the task of forecasting high-impact concept pairs, i.e., discovering concept pairs that are currently unconnected but will have high impact when connected. To this end, we introduce new benchmark datasets constructed from CIKM, KDD, and SIGIR conference papers, with varied prediction settings, including impact forecasting for emerging concepts unseen during training. We propose MiroGraph, a Multi-agent reasoning framework with scientific concept Graphs, in which a feature designer agent designs predictive features for a given concept pair from structural, semantic, and trend perspectives, and then three LLM agents compute the actual feature values from the enclosing subgraph of the concept pair. Using these feature values, a classifier designer agent constructs a classifier that predicts the final impact labels. MiroGraph outperforms various impact forecasting and temporal link prediction methods.
• Abstract（参考訳）: 研究コミュニティ内では、以前は接続されていない概念が最初に研究されたときに、しばしば新しいトピックが出現する。 本研究では,LLMによる論文テキストから抽出した微細な研究概念をノードとし,そのエッジが論文の共起を捉えた領域知識グラフ(SCG)を構築し,現在接続されていないが,接続時に大きな影響を与える概念ペアの発見という,高インパクトの概念ペアの予測課題について検討する。 この目的のために、CIKM、KDD、SIGIRの会議論文から構築された新しいベンチマークデータセットを導入する。 科学的な概念グラフを用いたマルチエージェント推論フレームワークであるMiroGraphを提案し,概念ペアの構造的,意味的,傾向的な視点から,特徴デザイナが与えられた概念ペアの予測的特徴を設計し,概念ペアの囲む部分グラフから実際の特徴値を算出する。 これらの特徴値を用いて、分類器デザイナは最終インパクトラベルを予測する分類器を構成する。 MiroGraphは、様々なインパクト予測や時間的リンク予測よりも優れています。

関連論文リスト

• Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection [50.08054676999716]
  確率論的概念グラフ推論(PCGR)は,マルチモーダルな誤情報検出を構造化および概念ベース推論として再構成する,解釈可能かつ進化可能なフレームワークである。 PCGRは、最先端のMDD精度と、新たな操作タイプに対する堅牢性を達成し、粗い検出ときめ細かい操作認識の両方において、先行手法より優れている。
  論文  参考訳（メタデータ） (2026-03-26T09:08:31Z)
• FaCT: Faithful Concept Traces for Explaining Neural Network Decisions [56.796533084868884]
  ディープネットワークは、幅広いタスクで顕著なパフォーマンスを示しているが、それらの機能に関するグローバルな概念レベルの理解は、依然として重要な課題である。 本稿では,概念に基づく説明の忠実さを強調し,モデル独立な機械的概念説明を用いた新しいモデルを提案する。 私たちの概念はクラス間で共有され、あらゆるレイヤから、ロジットへの貢献と入力-視覚化を忠実にトレースすることができます。
  論文  参考訳（メタデータ） (2025-10-29T13:35:46Z)
• Explain Before You Answer: A Survey on Compositional Visual Reasoning [74.27548620675748]
  構成的視覚推論は、マルチモーダルAIにおける重要な研究フロンティアとして登場した。 本調査は,トップ会場(CVPR,ICCV,NeurIPS,ICML,ACLなど)から260以上の論文を体系的にレビューする。 次に60以上のベンチマークとそれに対応するメトリクスを、基底精度、連鎖忠実性、高分解能知覚などの次元に沿って探索する。
  論文  参考訳（メタデータ） (2025-08-24T11:01:51Z)
• Graph Concept Bottleneck Models [26.57626285653119]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、概念を通したディープニューラルネットワークの明確な解釈を提供する。 提案するグラフCBMは,潜在概念グラフを構築することで概念関係を容易にするCBMの新たな変種である。
  論文  参考訳（メタデータ） (2025-08-19T20:23:18Z)
• Interpretable Hierarchical Concept Reasoning through Attention-Guided Graph Learning [8.464865102100925]
  本稿では,階層型概念記憶共振器(H-CMR)を提案する。 H-CMRは最先端のパフォーマンスと一致し、概念やモデルの介入を通じて強い人間との相互作用を可能にする。
  論文  参考訳（メタデータ） (2025-06-26T08:56:55Z)
• Continuous Evolution Pool: Taming Recurring Concept Drift in Online Time Series Forecasting [58.448663215248565]
  継続的進化プール(Continuous Evolution Pool, CEP)は、異なる概念の予測器のインスタンスを格納するプール機構である。 CEPは、様々な概念の知識を効果的に保持する。 オンライン予測と繰り返し概念のシナリオでは,CEPは予測結果を著しく向上させる。
  論文  参考訳（メタデータ） (2025-05-28T03:27:49Z)
• Global Concept Explanations for Graphs by Contrastive Learning [0.6906005491572401]
  本稿では,グラフニューラルネットワークの予測からグローバルな概念記述を抽出する手法を提案する。 合成および実世界のグラフ特性予測タスクに関する計算実験を行う。
  論文  参考訳（メタデータ） (2024-04-25T11:43:46Z)
• Interactive Concept Bottleneck Models [14.240165842615674]
  概念ボトルネックモデル(CBM)は、まず、予測タスクに関連する人間解釈可能な概念のラベルを予測する、解釈可能なニューラルネットワークである。 我々は、CBMを対話的な予測設定に拡張し、モデルがラベルの協調者に対していくつかの概念をクエリできるようにします。 我々は,最終的な予測を最大化するために,ラベルを要求すべき概念を選択するインタラクションポリシーを開発する。
  論文  参考訳（メタデータ） (2022-12-14T11:39:18Z)
• Few-Shot Inductive Learning on Temporal Knowledge Graphs using Concept-Aware Information [31.10140298420744]
  時間的知識グラフ(TKG)のための数発のアウト・オブ・グラフ(OOG)リンク予測タスクを提案する。 メタラーニングフレームワークを用いて、未知のエンティティに関するリンクから、欠落したエンティティを予測する。 我々のモデルは3つのデータセットすべてにおいて優れた性能を達成する。
  論文  参考訳（メタデータ） (2022-11-15T14:23:07Z)
• Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
  複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。 本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
  論文  参考訳（メタデータ） (2021-07-02T08:20:06Z)

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。