通过机器学习在不断演化的知识图上预测高影响力研究主题
使用 AI 技术构建基于真实世界数据的 Science4Cast 基准测试,并提出十种不同的方法来预测人工智能研究的未来研究方向,最终目的是为了更先进的研究建议工具。
Sep, 2022
使用超过 58 百万科学论文构建的知识图谱,并结合 GPT-4 接口生成个性化研究想法的 SciMuse 系统,通过与马克斯・普朗克研究所的 100 多位研究团队领导的大规模人工评估,我们发现数据高效的机器学习可以高精度预测研究兴趣,从而优化产生的研究想法的兴趣水平。这项工作是朝着一种人工科学启发的方向迈进,可以催生意料之外的合作,并为科学家提供有趣的研究方向。
May, 2024
本文提出了一种基于 Graph Neural Networks 的新型深度学习方法,以解决如何预测大型演化网络中链接出现的问题,特别地,预测与 AI 相关的主题之间的链接。实验结果表明,使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式,且模型具有较高的预测准确性。
Jan, 2022
通过对高被引机器学习论文进行综合评析,我们揭示了机器学习领域内最有影响力的论文、高被引作者以及合作网络。我们还发现了热门研究主题和最新受到关注的新兴话题,并对高被引论文的地理分布进行了分析,突显了某些国家在机器学习研究中的主导地位。通过为研究人员、政策制定者和实践者提供关于这一快速发展领域的主要进展和趋势的有价值的见解,我们的研究为它们提供了有价值的洞察。
Aug, 2023
本文介绍了一种基于当前科研影响力的预测作者未来 h 指数的模型,并分析了导致文章对未来 h 指数贡献的因素。研究发现,学术权威和出版场所对预测科研影响力至关重要。
Jun, 2016
通过分析人工智能会议上发表的论文,我们深入了解了人工智能和机器学习的演变过程,以及研究人员的影响和领导力,得出了一些对于理解和衡量人工智能演化的新见解。
May, 2022
使用机器学习技术,借助 Dimensions 数据库中的数据,研究人员对 1990-2023 年间英国痴呆研究出版物进行了分析,发现结合元数据、概念和摘要的模型具有最佳性能,证明将机器学习与当前研究方法相结合可以发现被忽视的出版物,加速找出有潜力的研究,并通过预测现实影响和指导翻译策略来改变痴呆研究。
Jan, 2024