arXiv cs.CL· MiHyeon Kim, Ji-Eun Han, Eunkyeong Lee, Jeehyun Lim, Hwijung Ryu·· 10 小时前AI 评分20
SciGraphSelect：通过知识-推理图实现可审计的科学数据选择
SciGraphSelect: Auditable Scientific Data Selection through Knowledge--Reasoning Graphs
AI 导读
SciGraphSelect 是一个基于参考依据、可审计的科学数据选择框架，将领域知识、可复用推理操作与参考佐证关系组织为类型化知识-推理图，再用概念覆盖、关系与路径共支持及方向对齐对候选文档打分。该框架在参考侧保留丰富关系结构，对候选侧证据保守处理、不假设关系蕴含，从而为每次选择暴露可追溯的证据。论文被 NeurIPS 2026 AI4Science Workshop 接收。
正文 · AI 翻译
摘要：科学数据选择通常由相关性或效用分数驱动，对文档为何被保留提供的洞察有限。我们提出 SciGraphSelect，一个基于参考依据、可审计的科学数据选择框架。SciGraphSelect 将领域特定知识、可复用推理操作和经参考佐证的关系组织为类型化知识—推理图，然后使用概念覆盖、关系与路径共支持以及方向对齐对候选文档进行评分。为避免过度解读文档嵌入，丰富的关系结构保留在参考侧，而候选侧证据则在不假设关系蕴含的前提下被保守处理。通过公开每次选择背后基于参考依据的证据，SciGraphSelect 为科学训练语料库的上游构建带来可追溯性，并补充下游科学验证。
| 评论： | 第40届神经信息处理系统大会（NeurIPS 2026）。研讨会：AI4Science |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.41280 [cs.AI] |
| （或 arXiv:2610.41280v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41280 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mihyeon Kim [查看电子邮件]
[v1]
2026年10月30日星期五 05:36:49 UTC（1,146 KB）
来源：arXiv cs.CL · arxiv.org