論文の概要: Minimizing Hyperbolic Embedding Distortion with LLM-Guided Hierarchy Restructuring

• arxiv url: http://arxiv.org/abs/2511.20679v1
• Date: Sun, 16 Nov 2025 18:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.330129
• Title: Minimizing Hyperbolic Embedding Distortion with LLM-Guided Hierarchy Restructuring
• Title（参考訳）: LLM誘導階層再構成によるハイパボリックエンベディング歪みの最小化
• Authors: Melika Ayoughi, Pascal Mettes, Paul Groth,
• Abstract要約: 双曲埋め込みの品質は入力階層の構造と密接に結合する。 本稿では,Large Language Models (LLM) が,これらの基準を満たすために階層を自動的に再構築できるかどうかを検討する。 16の多様な階層の実験は、LLM再構成階層が常に高品質な双曲的埋め込みをもたらすことを示している。
• 参考スコア（独自算出の注目度）: 19.895748346987435
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hyperbolic geometry is an effective geometry for embedding hierarchical data structures. Hyperbolic learning has therefore become increasingly prominent in machine learning applications where data is hierarchically organized or governed by hierarchical semantics, ranging from recommendation systems to computer vision. The quality of hyperbolic embeddings is tightly coupled to the structure of the input hierarchy, which is often derived from knowledge graphs or ontologies. Recent work has uncovered that for an optimal hyperbolic embedding, a high branching factor and single inheritance are key, while embedding algorithms are robust to imbalance and hierarchy size. To assist knowledge engineers in reorganizing hierarchical knowledge, this paper investigates whether Large Language Models (LLMs) have the ability to automatically restructure hierarchies to meet these criteria. We propose a prompt-based approach to transform existing hierarchies using LLMs, guided by known desiderata for hyperbolic embeddings. Experiments on 16 diverse hierarchies show that LLM-restructured hierarchies consistently yield higher-quality hyperbolic embeddings across several standard embedding quality metrics. Moreover, we show how LLM-guided hierarchy restructuring enables explainable reorganizations, providing justifications to knowledge engineers.
• Abstract（参考訳）: 双曲幾何学は階層データ構造を埋め込む効果的な幾何学である。 したがって、ハイパーボリック学習は、データが階層的に整理され、階層的な意味論によって支配される機械学習アプリケーションにおいて、レコメンデーションシステムからコンピュータビジョンまで、ますます顕著になっている。 双曲埋め込みの品質は、しばしば知識グラフやオントロジーから導かれる入力階層の構造と密接に結びついている。 最近の研究で、最適な双曲型埋め込みでは、高い分岐係数と単一継承が重要であり、埋め込みアルゴリズムは不均衡と階層サイズに対して堅牢であることが判明した。 本稿では,知識技術者が階層的知識を再編成するのを支援するために,Large Language Models (LLMs) がこれらの基準を満たすために自動的に階層を再構築できるかどうかを検討する。 双曲型埋め込みのためのデシダラタ(desiderata)によって導かれるLCMを用いて既存の階層を変換するプロンプトベースのアプローチを提案する。 16の多様な階層の実験により、LLM再構成階層は、いくつかの標準的な埋め込み品質指標に対して、常に高品質な双曲的埋め込みをもたらすことが示されている。 さらに,LLM誘導型階層再構築が説明可能な再構成を可能にし,知識技術者に正当化をもたらすことを示す。

関連論文リスト

• A Semantics-Aware Hierarchical Self-Supervised Approach to Classification of Remote Sensing Images [12.282079123411947]
  本稿では,階層的特徴と関係を学習するためのセマンティックス・アウェア・ヒエラルキー・コンセンサス(SAHC)手法を提案する。 SAHC法は、階層的な複雑さの異なる3つのベンチマークデータセットで評価される。 実験により,ネットワーク学習の指導における提案手法の有効性と,リモートセンシング画像分類タスクにおける階層的コンセンサスの有効性が示された。
  論文  参考訳（メタデータ） (2025-10-06T15:30:39Z)
• Hyperbolic Residual Quantization: Discrete Representations for Data with Latent Hierarchies [48.72319569157807]
  残留量子化(Residual Quantization, RQ)は階層データに対する離散的マルチトークン表現を生成するために広く用いられている。 本稿では,双曲多様体にデータを埋め込むハイパーボリック残留量子化(HRQ)を提案する。 HRQは、自然に階層的な分岐と整合する帰納的バイアスを与える。
  論文  参考訳（メタデータ） (2025-05-18T13:14:07Z)
• TAG: A Decentralized Framework for Multi-Agent Hierarchical Reinforcement Learning [4.591755344464076]
  完全に分散化された階層型マルチエージェントシステムを構築するためのフレームワークであるTAME Agent Framework (TAG)を紹介する。 TAGは疎結合を維持しながらレベル間の情報フローを標準化し、多様なエージェントタイプをシームレスに統合する。 この結果から,分散階層型組織は学習速度と最終性能を両立させ,TAGをスケーラブルなマルチエージェントシステムにとって有望な方向と位置づけた。
  論文  参考訳（メタデータ） (2025-02-21T12:52:16Z)
• HDT: Hierarchical Document Transformer [70.2271469410557]
  HDTは補助的なアンカートークンを導入し、アテンション機構をスパースなマルチレベル階層に再設計することでドキュメント構造を利用する。 文書の階層構造を考慮した新しいスパークアテンションカーネルを開発した。
  論文  参考訳（メタデータ） (2024-07-11T09:28:04Z)
• Reinforcement Learning with Options and State Representation [105.82346211739433]
  この論文は、強化学習分野を探求し、改良された手法を構築することを目的としている。 階層的強化学習(Hierarchical Reinforcement Learning)として知られる階層的な方法で学習タスクを分解することで、そのような目標に対処する。
  論文  参考訳（メタデータ） (2024-03-16T08:30:55Z)
• Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
  HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。 我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。 我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
  論文  参考訳（メタデータ） (2021-10-18T17:56:02Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。