技術要約：著者名曖昧性解消のためのクロスソース推論に基づく修正（CrossND）

1. 問題定義

著者名曖昧性解消（Author Name Disambiguation: AND）は、学術検索システムにおける根本的な課題であり、同一の名前を持つ異なる個人を区別することを目的としている。既存のアプローチは、主に「スクラッチからの（From-Scratch）」曖昧性解消（名前による論文のクラスタリング）や、単一のデータソース内でのリアルタイム修正に焦点を当てているが、これらには2つの決定的な限界がある：

1. 累積誤差： 不完全なアルゴリズムは、論文と著者の割り当てにおける不可避な誤差の蓄積を招く。
2. ソース間の不一致： 異なる学術データベース（例：AMiner、MAG、Google Scholar）は、しばしば不一致な論文・著者割り当てを含んでいる。現在の手法は、これらのクロスソース間の不一致を無視するか、あるいはそれらを是正するためにリソースを大量に消費する専門家によるアノテーションに依存している。

本論文は、新しいパラダイムである**「クロスソース修正（Cross-Source Correction）」**を提案する。外部データをグラウンドトゥルース（正解）として扱うのではなく、内部ソース（$G_{in}$）と外部ソース（$G_{out}$）の間の不一致を利用して、人間の介入なしに誤った論文・著者割り当てを特定し、修正することを目的とする。

2. メソドロジー：CrossND フレームワーク

著者らは、ノイズの多いラベルを処理し、クロスソース推論を活用するように設計されたフルスタックフレームワークであるCrossNDを提案している。このフレームワークは、以下の3つの連続したステージで構成される。

ステージ1：精緻化の連鎖パイプライン（Chain-of-Refinement Pipeline）

学習前のラベルノイズを軽減するために、著者らは大規模言語モデル（LLM）を用いた3ステップのパイプラインを採用している：

1. プロファイル・クリーニング： LLMが著者の元のプロファイル（論文リスト）を分析し、著者の研究アイデンティティと一致しない異常な論文を特定・除去することで、高信頼度の論文からなる「コアセット」を構築する。
2. 割り当て予測： 内部および外部の両方のソースから得られたクリーンなプロファイルを用いて、LLMが論文と著者のペアに対するソフトマッチング・スコア（確率）をバッチ単位で予測する。
3. バッチ・スコア精緻化： 異なるAPI呼び出しのバッチ間でのキャリブレーションの不一致に対処するため、LLMに再度プロンプトを与えてスコアをグローバルに精緻化し、データセット全体で一貫した確率範囲を確保する。

ステージ2：クロス修正型教師あり微調整（Cross-Correction Supervised Fine-Tuning: SFT）

精緻化されたソフトラベルは、モデル（Qwen3-8B with LoRA）の微調整のための教師信号として機能する。ここでの核心的な革新は、トリプル $(p, a_{in}, a_{out})$ 内の論理的依存関係をモデル化するための**確率的ソフトロジック（Probabilistic Soft Logic: PSL）**の統合である：

• データ分割： 学習データを、内部と外部の著者が非常に類似している**「一致セット（Consistent Set: $D_{cs}$）」と、両者が異なる「不一致セット（Inconsistent Set: $D_{ics}$）」**に分割する。
• PSLベースの損失関数： フレームワークは、論理的制約を強制する損失関数を定式化する。
  • 一致セットにおいては、外部の論文・著者マッチが高く、かつ著者同士が類似している場合、内部のマッチも高くなければならない。
  • 不一致セットにおいては、モデルは正しい割り当ての尤度を最大化し、競合する割り当ての確率を最小化することで、どちらのソースが誤っているかを推論する。
  • 総損失は、このPSL損失と標準的なクロスエントロピー損失を組み合わせ、ハイパーパラメータ $\lambda$ によって重み付けされる。

ステージ3：テスト時スケーリング（Test-Time Scaling: TTS）

予測の堅牢性を高めるために、推論時にブートストラップ戦略を採用する：

• 信頼度推定： 論文をモデルの予測信頼度に基づいてソートする。
• スネーク処理とインターリービング： 論文を「スネーク（蛇行）」パターン（ジグザグ）を用いてバッチに分配し、バッチ内で再順序化（高-低-高-低）する。これにより、高信頼度のサンプルが、同じコンテキストウィンドウ内の低信頼度のサンプルの予測をキャリブレーションするための「数発学習（few-shot）アンカー」として機能するようにする。

3. 主な貢献

• 新しいパラダイム： 本論文は、不一致な割り当てをノイズや正解として扱うのではなく、エラー検出のシグナルとして利用する視点である**「クロスソース修正」**を導入している。
• フルスタックフレームワーク： CrossNDは、データの精緻化（Chain-of-Refinement）、論理的推論（PSLベースのSFT）、および推論の最適化（TTS）を統合し、ノイズの多いラベルと複雑な関係性の依存関係という課題に対処している。
• ノイズ軽減： Chain-of-Refinementパイプラインは、著者プロファイルを効果的にデノイズし、信頼できるソフトラベルを生成することで、人間によるアノテーションへの依存を軽減する。
• 論理的制約： PSLベースのクロス修正モジュールは、ソースを横断した論文・著者ペア間の相互依存関係を明示的にモデル化し、どちらのソースにエラーが含まれているかを推論する能力を向上させている。

4. 実験結果

本フレームワークは、2つの実世界のデータセット、WhoIsWho（AMinerとMAGの比較）およびKDD Cup（AMinerとユーザー編集データの比較）を用いて評価された。

• パフォーマンス： CrossNDは、従来の機械学習モデル（GBDT, LOF）、グラフベースの手法（DCI）、ノイズに強い自己修正手法（Co-teaching, CORES）、および直接的なLLM API呼び出し（GPT-5, Claude, Gemini）を含む17のベースラインを一貫して上回った。
  • WhoIsWhoにおいて、CrossNDはAUC 82.19%、**MAP 61.79%**を達成し、最良のベースライン（GuARD: AUC 77.14%）を大幅に上回った。
  • KDD Cupにおいて、CrossNDはAUC 87.34%、**MAP 78.13%**を達成し、最良のベースライン（GuARD: AUC 85.27%）を上回った。
• アブレーション研究：
  • 外部ソースを除去すると最大の性能低下が発生し、クロスソース信号の必要性が確認された。
  • プロファイル・クリーニングまたはバッチ・スコア精緻化を除去すると性能が低下し、Chain-of-Refinementパイプラインの妥当性が示された。
  • PSLを除去すると、ランキング指標（MAP）において混合した、しかし概して否定的な影響が見られ、論理的制約の価値が浮き彫りになった。
• コスト効率： 精緻化パイプラインの平均APIコストは、WhoIsWhoにおいて論文1本当たり約0.0019ドルであった。デプロイされたSFTモデルは、単一のH100 GPUで秒間約26枚の論文を処理できる。
• 実世界へのデプロイ： システムは人間による検証を支援するためにデプロイされた。パイロット運用において、経験豊富なアノテーターは、2,154組のペアのうち1,061件の割り当てエラーを発見し、これは従来のシステムと比較して検出されたエラーが47%増加したことを意味する。

5. 意義と主張

本論文は、CrossNDが、異なるデータソース間の「群衆の知恵」を利用することで、著者名の曖昧性解消のエラーを修正するためのスケーラブルで自動化されたソリューションを提供すると主張している。

• 堅牢性： 両方のソースにノイズが含まれている場合でも、不一致が論理的に分析されていれば、クロスソース推論が誤った割り当てを効果的に特定できることを本フレームワークは示している。
• 実用性： 広範な人間によるアノテーションを必要とする手法とは異なり、CrossNDは最小限の人的介入で動作し、実務（例：AMinerプラットフォーム上）において大規模な論文・著者割り当ての修正をサポートするために成功裏にデプロイされている。
• 汎用性： このアプローチは特定のデータセットに限定されない。PSLとChain-of-Refinementの使用は、学術検索システムにおけるノイズの多い関係データの処理に対する、汎用的な戦略を提供する。

著者らは、本研究は人間の専門知識を完全に置き換えることを目的としているのではなく、むしろ、手動検証の負担を大幅に軽減する、極めて正確で自動化された事前スクリーニングメカニズムを提供することで、人間の能力を拡張することを目指していると強調している。