論文の概要: Retrieve-then-Disambiguate: Scalable Reviewer Discovery

• arxiv url: http://arxiv.org/abs/2610.40768v1
• Date: Thu, 29 Oct 2026 18:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.460911
• Title: Retrieve-then-Disambiguate: Scalable Reviewer Discovery
• Title（参考訳）: Retrieve-then-Disambiguate: スケーラブルなレビュアー発見
• Abstract要約: retrieve-then-disambiguateは、クエリの提出のために、ドメイン関連の研究者を識別するオープンソースのアルゴリズムである。 我々はこのアルゴリズムを500の天文学および物理学の出版物で評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing number of scientific submissions is straining the peer review process, while a large pool of relevant researchers remains unidentified and is therefore not considered as potential reviewers. We formulate the discovery of these researchers as a retrieval problem: given a submission, we retrieve and rank researchers based on domain similarity. We present retrieve-then-disambiguate, an open-source algorithm that identifies domain relevant researchers for a query submission by retrieving similar publications from the scientific literature and resolving ambiguous author names into unique researcher identities. We evaluate the algorithm on 500 astronomy and physics publications. We use ORCID-linked first authors, coauthors, and cited researchers as proxy labels to evaluate the recovery of researchers with known connections to each query publication. When retrieving the top 500 most similar papers, the algorithm recovers roughly 68\% of first authors, 60\% of coauthors, and 45\% of cited researchers. Our code is available at https://github.com/deepthought-initiative/Retrieve-then-Disambiguate.
• Abstract（参考訳）: 学術論文の数が増えていることで、ピアレビューのプロセスが歪んでいる一方、関連する研究者の膨大なプールは未確認のままであり、したがって潜在的レビュアーとはみなされていない。 我々は、これらの研究者の発見を検索問題として定式化し、提案を前提として、ドメインの類似性に基づいて研究者を検索・ランク付けする。 本稿では,学術文献から類似の論文を検索し,曖昧な著者名を一意の研究者名に分解することで,検索対象のドメイン関連研究者を識別するオープンソースアルゴリズムであるRequire-then-disambiguateを提案する。 我々はこのアルゴリズムを500の天文学および物理学の出版物で評価する。 我々は、ORCIDをリンクした最初の著者、共著者、および研究者をプロキシラベルとして引用し、各クエリパブリッシングに既知の接続を持つ研究者の回復を評価する。 最も類似した500件の論文を検索すると、アルゴリズムは最初の著者の68%、共著者の60%、引用された研究者の45%を復元する。 私たちのコードはhttps://github.com/deepthinkt-initiative/Retrieve-then-Disambiguateで公開されています。

関連論文リスト

• IdeaScientist: Orchestrating Agents for Grounded Scientific Ideation [53.38412637382984]
  本稿では,イデオロギーをギャップ発見,イノベーション,レポート作成に分解し,各役割を強化学習で訓練するIdeanScientistを紹介する。 これらの役割は、関連する作業の限界を特定し、類似した問題設定から解の直観を引き出し、それらの直観を完全な研究提案へと発展させる。 ドメイン間の洞察の発見を容易にするため、検索、トレーニング、時間的に制御された評価のための277万の研究思想のコーパスであるSvalbard Idea Vaultを構築した。
  論文  参考訳（メタデータ） (2026-10-02T21:35:55Z)
• ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research [142.20765121870303]
  我々はScholarCatalystを構築し、207のコンピュータサイエンス論文の184人のリード著者に、候補者がプロジェクトを進めたか、あるいは前進させたかのラベルを付ける。 最初の研究課題として,プロジェクト開始時に利用可能な文献のみから,これらの論文を検索する。 クロード・ファブル 5.1 上に作られたエージェントでさえ、訓練中に完成した書類を見たかもしれないが、わずか 0.51 R@20 である。
  論文  参考訳（メタデータ） (2026-10-01T17:59:47Z)
• Rethinking Literature Search Evaluation: Deep Research Helps, and Human Citation Lists Are Not a Ground Truth [16.35818195821218]
  本研究では,検索パイプラインの改良と,評価対象としてのヒト参照リストのストレステストという,2つの相補的な角度からの大規模文献検索について検討する。 本稿では,全問合せ用紙の処理を行うDeep Researchパイプラインを実装した。 これはバニラAPIのみの検索よりも大幅に優れており、RollingEval-Jun25(250ページの文献検索ベンチマーク)を20%未満から80%以上までリコールしている。 人間の引用の51%が適度に関連づけられていると判断され、最強のAIベースのリランクは86～88%だった。
  論文  参考訳（メタデータ） (2026-05-28T01:50:52Z)
• AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
  AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。 エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。 最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
  論文  参考訳（メタデータ） (2026-04-28T06:05:17Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [70.45113777449373]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 既存のアルゴリズムを比較し、より良いアルゴリズムを開発する上で重要な課題は、公開された金標準データの欠如である。 研究コミュニティにリリースした類似度スコアの新しいデータセットを収集します。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Cracking Double-Blind Review: Authorship Attribution with Deep Learning [43.483063713471935]
  本稿では、匿名の原稿を著者に属性付けるトランスフォーマーベースのニューラルネットワークアーキテクチャを提案する。 我々は、arXivで公開されているすべての研究論文を200万冊以上の原稿に活用する。 本手法は, 論文の最大73%を正解する, 前代未聞の著者帰属精度を実現する。
  論文  参考訳（メタデータ） (2022-11-14T15:50:24Z)

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。