作者网络中心性驱动AI会议引用差异

Research Paper#AI, Machine Learning, Citation Analysis, Network Science🔬 Research|分析: 2026年1月4日 00:01•
发布: 2025年12月26日 02:24
•
1分で読める
•ArXiv

分析

本文研究了作者在合作网络中的位置如何影响顶级AI会议的引用次数。它通过分析作者中心性指标及其对引用差异的影响，超越了基于内容的评估。该研究的方法学进步，包括使用beta回归和一种新的中心性指标（HCTCD），意义重大。研究结果强调了长期中心性和团队级网络连接性在预测引用成功中的重要性，挑战了传统的评估方法，并提倡基于网络的评估框架。
引用 / 来源
查看原文
"Long-term centrality exerts a significantly stronger effect on citation percentiles than short-term metrics, with closeness centrality and HCTCD emerging as the most potent predictors."
A
ArXiv2025年12月26日 02:24
* 根据版权法第32条进行合法引用。
较旧

Universal thermodynamic framework for quasi-van der Waals epitaxy

较新

Physics-informed Neural Network (PINN) to Predict Vibrational Stability of Inorganic Semiconductors

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv