XiaoMi-AI文件搜索系统
World File Search SystemScience4cast
使用低...进行人工智能概念的链接预测
摘要 —本文介绍了一种为人工智能高级研究所组织的“Science4cast”2021 竞赛提出的方法，其主要目标是预测语义网络中机器学习概念之间未来关联的可能性。所开发的方法对应于仅在低计算能力可用的情况下的解决方案，利用低阶拓扑特征的提取并将其纳入优化分类器中以估计节点之间未来的连接程度。本文将讨论开发方法的动机，以及一些结果、局限性和改进建议。索引术语 —语义网络、链接预测、拓扑特征、科学科学
![arXiv:2210.00881v1 [cs.AI] 2022 年 9 月 23 日](/simg/1\1712e871bec82f88be930b368883f57dd34b3191.png)
arXiv:2210.00881v1 [cs.AI] 2022 年 9 月 23 日
通过从科学文献中获取见解，可以提出新的个性化研究方向和想法的工具可以显著加速科学的进步。可能从这种方法中受益的一个领域是人工智能 (AI) 研究，其中科学出版物的数量在过去几年中呈指数级增长，这使得人类研究人员难以跟踪进展。在这里，我们使用 AI 技术来预测 AI 本身的未来研究方向。我们根据现实世界的数据开发了一个基于图形的新基准 - Science4Cast 基准，旨在预测不断发展的 AI 语义网络的未来状态。为此，我们使用了超过 100,000 篇研究论文并建立了一个包含超过 64,000 个概念节点的知识网络。然后，我们提出了十种不同的方法来解决此任务，从纯统计方法到纯学习方法。令人惊讶的是，最强大的方法使用精心策划的一组网络特征，而不是端到端的 AI 方法。这表明，在没有人类知识的情况下，纯 ML 方法可以释放巨大的潜力。最终，更好地预测新的未来研究方向将成为更先进的研究建议工具的重要组成部分。