論文の概要: DTECT: Dynamic Topic Explorer & Context Tracker
- arxiv url: http://arxiv.org/abs/2507.07910v1
- Date: Thu, 10 Jul 2025 16:44:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-11 16:40:15.497789
- Title: DTECT: Dynamic Topic Explorer & Context Tracker
- Title（参考訳）: DTECT:動的トピックエクスプローラとコンテキストトラッカー
- Authors: Suman Adhya, Debarshi Kumar Sanyal,
- Abstract要約: DTECT(Dynamic Topic Explorer & Context Tracker)は、テキストデータと意味のある時間的洞察のギャップを埋めるエンドツーエンドシステムである。
DTECTは、データ前処理、複数のモデルアーキテクチャ、時間的トピックモデルのトピック品質を分析するための専用の評価メトリクスをサポートする統合ワークフローを提供する。
LLMによる自動トピックラベリング、時間順な単語によるトレンド分析、文書レベルの要約によるインタラクティブな可視化、直感的なデータクエリのための自然言語チャットインターフェースの導入により、解釈可能性を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 0.8962460460173959
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The explosive growth of textual data over time presents a significant challenge in uncovering evolving themes and trends. Existing dynamic topic modeling techniques, while powerful, often exist in fragmented pipelines that lack robust support for interpretation and user-friendly exploration. We introduce DTECT (Dynamic Topic Explorer & Context Tracker), an end-to-end system that bridges the gap between raw textual data and meaningful temporal insights. DTECT provides a unified workflow that supports data preprocessing, multiple model architectures, and dedicated evaluation metrics to analyze the topic quality of temporal topic models. It significantly enhances interpretability by introducing LLM-driven automatic topic labeling, trend analysis via temporally salient words, interactive visualizations with document-level summarization, and a natural language chat interface for intuitive data querying. By integrating these features into a single, cohesive platform, DTECT empowers users to more effectively track and understand thematic dynamics. DTECT is open-source and available at https://github.com/AdhyaSuman/DTECT.
- Abstract（参考訳）: テキストデータの爆発的な成長は、進化するテーマやトレンドを明らかにする上で大きな課題となる。
既存の動的トピックモデリング技術は強力だが、解釈とユーザフレンドリな探索の堅牢なサポートに欠ける断片化されたパイプラインにしばしば存在する。
DTECT(Dynamic Topic Explorer & Context Tracker)は、テキストデータと意味のある時間的洞察のギャップを埋めるエンドツーエンドシステムである。
DTECTは、データ前処理、複数のモデルアーキテクチャ、時間的トピックモデルのトピック品質を分析するための専用の評価メトリクスをサポートする統合ワークフローを提供する。
LLMによる自動トピックラベリング、時間順な単語によるトレンド分析、文書レベルの要約によるインタラクティブな可視化、直感的なデータクエリのための自然言語チャットインターフェースの導入により、解釈可能性を大幅に向上させる。
これらの機能をひとつの凝集性のあるプラットフォームに統合することで、DTECTはユーザーがより効果的にテーマのダイナミクスを追跡し、理解できるようにします。
DTECTはオープンソースでhttps://github.com/AdhyaSuman/DTECTで入手できる。
関連論文リスト
- TRACE: Grounding Time Series in Context for Multimodal Embedding and Retrieval [22.412759868927118]
TRACEは、時系列をテキストコンテキストに埋め込む汎用マルチモーダルレトリバーである。
Text-to-TimeseriesやTimeeries-to-Textなど、柔軟なクロスモーダル検索モードをサポートする。
TRACEは強力なスタンドアロンエンコーダとしても機能し、コンテキスト対応の表現を洗練するための軽量なタスク特化チューニングを備えている。
論文 参考訳（メタデータ） (2025-06-10T17:59:56Z) - Unifying Text Semantics and Graph Structures for Temporal Text-attributed Graphs with Large Language Models [19.710059031046377]
時間グラフニューラルネットワーク(TGNN)は時間グラフモデリングにおいて顕著な性能を示した。
TTAGモデリングのための既存のTGNNをシームレスに拡張するフレキシブルなフレームワークである textbfCROSS を提案する。
論文 参考訳（メタデータ） (2025-03-18T16:50:10Z) - InterChat: Enhancing Generative Visual Analytics using Multimodal Interactions [22.007942964950217]
視覚要素の直接操作と自然言語入力を組み合わせた生成的視覚分析システムであるInterChatを開発した。
この統合により、正確なインテント通信が可能になり、プログレッシブで視覚的に駆動された探索データ分析をサポートする。
論文 参考訳（メタデータ） (2025-03-06T05:35:19Z) - The Devil is in the Spurious Correlations: Boosting Moment Retrieval with Dynamic Learning [49.40254251698784]
本稿では,モーメント検索のための動的学習手法を提案する。
まず、クエリーモーメントの動的コンテキストを構築するための新しいビデオ合成手法を提案する。
第2に、背景との過度な関連を緩和するために、テキストと力学の相互作用を組み込むことで、時間的に表現を強化する。
論文 参考訳（メタデータ） (2025-01-13T13:13:06Z) - Temporal Contrastive Learning for Video Temporal Reasoning in Large Vision-Language Models [44.99833362998488]
TSADP(Temporal Semantic Alignment via Dynamic Prompting)は、時間的推論能力を高める新しいフレームワークである。
VidSitu データセット上での TSADP の評価を行った。
我々の分析は、TSADPの堅牢性、効率性、実用性を強調し、ビデオ言語理解の分野における一歩を踏み出した。
論文 参考訳（メタデータ） (2024-12-16T02:37:58Z) - Thread of Thought Unraveling Chaotic Contexts [133.24935874034782]
思考のスレッド(ThoT)戦略は、人間の認知プロセスからインスピレーションを得ている。
実験では、他のプロンプト技術と比較して、ThoTは推論性能を著しく改善する。
論文 参考訳（メタデータ） (2023-11-15T06:54:44Z) - Information Screening whilst Exploiting! Multimodal Relation Extraction
with Feature Denoising and Multimodal Topic Modeling [96.75821232222201]
既存のマルチモーダル関係抽出(MRE)研究は、内部情報過剰利用と外部情報過多という2つの共存課題に直面している。
内部情報スクリーニングと外部情報活用を同時に実現する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-19T14:56:57Z) - Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。
ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
論文 参考訳（メタデータ） (2023-05-04T16:04:41Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。