English(EN) Asymmetric Within-Document Predictive Learning for Scientific Document Representation

新的SciJEPA框架推进科学文档表示

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

研究人员开发了SciJEPA，一个用于学习科学文档表示的新框架。这种无引用的方法使用非对称文档内预测，其中标题和摘要表示预测方法表示，而方法表示又预测结论表示。实验表明，虽然基本的预测训练是可行的，但其效果不如对比方法。然而，添加切片各向同性高斯正则化（SIGReg）显著提高了性能并缩小了差距，尽管其最佳强度因任务和编码分支而异。 AI

影响这项研究提供了一种改进AI系统理解和处理科学文档的新方法。

排序理由该集群描述了一篇关于科学文档表示新颖方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 29 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇关于科学文档表示新颖方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · You Zuo (ALMAnaCH), \'Eric de la Clergerie (ALMAnaCH), Beno\^it Sagot (ALMAnaCH) · 2026-09-01 04:00

面向科学文档表示的非对称文档内预测学习

arXiv:2608.28625v1 Announce Type: cross Abstract: We study predictive pretraining for scientific document representation using the discourse structure of papers. We propose SciJEPA, a citation-free framework that learns through asymmetric within-document prediction: title and abs…

本文如何被排名

报道来源 [1]

面向科学文档表示的非对称文档内预测学习

相关实体

相关话题