論文の概要: Dataset Recommendation for Heterogeneous and Dynamic Scholarly Graphs via Multimodal Representation Learning

• arxiv url: http://arxiv.org/abs/2611.05071v1
• Date: Tue, 03 Nov 2026 15:34:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:40:29.135972
• Title: Dataset Recommendation for Heterogeneous and Dynamic Scholarly Graphs via Multimodal Representation Learning
• Title（参考訳）: マルチモーダル表現学習による不均一および動的スコラグラフのためのデータセット勧告
• Abstract要約: 本研究は,研究論文に関連するデータセットを推薦するためのマルチモーダル・スカラー・アテンション・ネットワーク(MM-SAN)を提案する。 MM-SANは、トポロジ認識とテキストベースの埋め込みを組み合わせることで、テキストメタデータが制限されたり欠如している場合でも効果的なレコメンデーションを可能にする。 実験により、MM-SANは最先端の手法よりも優れ、データセットレコメンデーションのための堅牢でスケーラブルなソリューションを提供することが示された。
• 参考スコア（独自算出の注目度）: 6.538916411601534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Researchers struggle to find relevant datasets amid the growing volume of data across repositories and scholarly publications. Manual dataset retrieval is time-consuming and often fails to identify valuable resources that are not easily discoverable through direct links or popularity metrics. Dataset recommendation, which aims to identify datasets relevant to a paper, author, or query, has become essential for improving dataset discoverability and reuse. However, this task remains challenging because Scholarly Knowledge Graphs (SKGs) are large-scale, heterogeneous, dynamic, and incomplete. Although openly available SKGs organize scientific knowledge by linking scholarly outcomes, they often lack meaningful connections between datasets, leaving them isolated and underutilized. These graphs contain millions of evolving relations but still suffer from missing or inaccurate metadata, duplicate records, and weak dataset integration. This work presents the Multimodal Scholarly Attention Network (MM-SAN), a heterogeneous multimodal graph representation learning method for recommending datasets relevant to research publications within real-world SKGs. MM-SAN combines topology-aware and text-based embeddings, enabling effective recommendations even when textual metadata is limited or absent. It operates in transductive, semi-inductive, and fully inductive settings, adapting to evolving SKGs without requiring retraining. Experiments show that MM-SAN outperforms state-of-the-art methods, providing a robust and scalable solution for dataset recommendation.
• Abstract（参考訳）: 研究者たちは、リポジトリや学術出版物にまたがるデータ量の増大の中で、関連するデータセットを見つけるのに苦労している。 手動データセット検索は時間を要するため、直接リンクや人気メトリクスによって簡単には発見できない貴重なリソースを特定することができないことが多い。 論文、著者、クエリに関連するデータセットを識別することを目的としたデータセットレコメンデーションは、データセットの発見性と再利用を改善するために欠かせないものになっている。 しかし、Scholarly Knowledge Graphs (SKG) は大規模で不均一で、動的で不完全であるため、この課題は依然として挑戦的である。 オープンに利用可能なSKGは学術的な成果をリンクすることで科学的知識を整理するが、データセット間の有意義なつながりを欠くことが多く、孤立して利用されていない。 これらのグラフには数百万の進化した関係が含まれているが、いまだに欠落または不正確なメタデータ、重複したレコード、弱いデータセット統合に悩まされている。 本研究は,マルチモーダル・スカラー・アテンション・ネットワーク(Multimodal Scholarly Attention Network,MM-SAN)を提案する。 MM-SANは、トポロジ認識とテキストベースの埋め込みを組み合わせることで、テキストメタデータが制限されたり欠如している場合でも効果的なレコメンデーションを可能にする。 トランスダクティブ、半インダクティブ、完全にインダクティブな設定で動作し、再トレーニングを必要とせずに進化するSKGに適応する。 実験により、MM-SANは最先端の手法よりも優れ、データセットレコメンデーションのための堅牢でスケーラブルなソリューションを提供することが示された。

関連論文リスト

• Geospatial Metadata Improves Discoverability by Connecting Datasets Across Scientific Disciplines [0.0]
  Harvard Dataverseのデータセットを使って、小さな言語モデルをトレーニングし、微調整します。 メタデータが不足しているデータセットは、下流からの引用が少なく、他のデータセットへの解決可能な接続も少ないことが分かりました。
  論文  参考訳（メタデータ） (2026-09-15T01:40:36Z)
• AI for Monitoring and Classifying Data Used in Research Literature [0.0]
  研究文献におけるデータセットの使用状況を監視するための同等のインフラストラクチャは存在しない。 従来のNLPアプローチはこれらの課題に対処する。 本稿では,データセット参照抽出,関係識別,利用コンテキスト分類を共同で行うマルチタスクGLiNERベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-28T21:18:30Z)
• Robust Multimodal Recommendation via Graph Retrieval-Enhanced Modality Completion [71.20734649881258]
  実世界のマルチモーダルデータセットは、センサーの故障、アノテーションの不足、プライバシーの制約によって、しばしばモダリティの不完全性に悩まされる。 効果的な解決策の1つはモダリティ補完であり、下流タスクのためのモダリティ完全グラフを提供するために欠落した特徴を再構成する。 本稿では,これらの制限を克服するグラフ検索拡張モード補完フレームワークであるGRE-MCを提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:50:52Z)
• Scaling Generalist Data-Analytic Agents [95.05161133349242]
  DataMindは、汎用データ分析エージェントを構築するために設計されたスケーラブルなデータ合成およびエージェントトレーニングレシピである。 DataMindは、オープンソースのデータ分析エージェントを構築する上で重要な3つの課題に取り組む。
  論文  参考訳（メタデータ） (2025-09-29T17:23:08Z)
• Making Sense of Data in the Wild: Data Analysis Automation at Scale [0.1747623282473278]
  本稿では,インテリジェントエージェントと検索拡張生成を組み合わせることで,データ解析,データセットキュレーション,インデックス作成を大規模に自動化する手法を提案する。 提案手法により,より詳細なデータセット記述,より高いヒット率,データセット検索タスクの多様性が得られた。
  論文  参考訳（メタデータ） (2025-01-27T10:04:10Z)
• SciER: An Entity and Relation Extraction Dataset for Datasets, Methods, and Tasks in Scientific Documents [49.54155332262579]
  我々は,科学論文のデータセット,メソッド,タスクに関連するエンティティに対して,新たなエンティティと関係抽出データセットをリリースする。 我々のデータセットには、24k以上のエンティティと12kの関係を持つ106の注釈付きフルテキストの科学出版物が含まれています。
  論文  参考訳（メタデータ） (2024-10-28T15:56:49Z)
• Putting Data at the Centre of Offline Multi-Agent Reinforcement Learning [3.623224034411137]
  オフラインマルチエージェント強化学習(英語: offline multi-agent reinforcement learning, MARL)は、静的データセットを用いてマルチエージェントシステムの最適制御ポリシーを見つける研究のエキサイティングな方向である。 この分野は定義上はデータ駆動型だが、これまでのところ、最先端の結果を達成するための努力は、データを無視してきた。 研究の大部分は、一貫した方法論を使わずに独自のデータセットを生成し、これらのデータセットの特徴に関するまばらな情報を提供する。
  論文  参考訳（メタデータ） (2024-09-18T14:13:24Z)
• Deep Transfer Learning for Multi-source Entity Linkage via Domain Adaptation [63.24594955429465]
  マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。 AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。 本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
  論文  参考訳（メタデータ） (2021-10-27T15:20:41Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)
• DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a Trained Classifier [58.979104709647295]
  我々は、トレーニングされたネットワークの将来の学習タスクのために、利用可能なデータの豊富さと関連するデータの欠如の間のギャップを埋める。 利用可能なデータは、元のトレーニングデータセットまたは関連するドメインデータセットの不均衡なサブセットである可能性があるため、代表サンプルを検索するために使用します。 関連ドメインからのデータを活用して最先端のパフォーマンスを実現することを実証する。
  論文  参考訳（メタデータ） (2019-12-27T02:05:45Z)

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。