論文の概要: LangLasso: Interactive Cluster Descriptions through LLM Explanation

• arxiv url: http://arxiv.org/abs/2601.10458v1
• Date: Thu, 15 Jan 2026 14:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.17755
• Title: LangLasso: Interactive Cluster Descriptions through LLM Explanation
• Title（参考訳）: LangLasso: LLM説明によるインタラクティブクラスタ記述
• Authors: Raphael Buchmüller, Dennis Collaris, Linhao Meng, Angelos Chatzimparmpas,
• Abstract要約: 次元の低減は、データの構造と潜在的なクラスタを明らかにするための強力な技術である。 既存のビジュアル分析手法は、特徴比較と対話的な探索を通じてクラスタ解釈をサポートする。 textitLangLassoは,クラスタの対話的自然言語記述を通じてVAアプローチを補完する新しい手法である。
• 参考スコア（独自算出の注目度）: 4.596496450055493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dimensionality reduction is a powerful technique for revealing structure and potential clusters in data. However, as the axes are complex, non-linear combinations of features, they often lack semantic interpretability. Existing visual analytics (VA) methods support cluster interpretation through feature comparison and interactive exploration, but they require technical expertise and intense human effort. We present \textit{LangLasso}, a novel method that complements VA approaches through interactive, natural language descriptions of clusters using large language models (LLMs). It produces human-readable descriptions that make cluster interpretation accessible to non-experts and allow integration of external contextual knowledge beyond the dataset. We systematically evaluate the reliability of these explanations and demonstrate that \langlasso provides an effective first step for engaging broader audiences in cluster interpretation. The tool is available at https://langlasso.vercel.app
• Abstract（参考訳）: 次元の低減は、データの構造と潜在的なクラスタを明らかにするための強力な技術である。 しかし、軸は複雑で非線型な特徴の組み合わせであるため、意味論的解釈性に欠けることが多い。 既存のビジュアルアナリティクス(VA)メソッドは、特徴比較と対話的な探索を通じてクラスタ解釈をサポートするが、それらは技術的な専門知識と激しい人間の努力を必要とする。 本稿では,大規模言語モデル(LLM)を用いたクラスタの対話的自然言語記述を通じてVAアプローチを補完する新しい手法である「textit{LangLasso}」を提案する。 これは、非専門家にクラスタ解釈をアクセス可能にし、データセット以外の外部コンテキスト知識の統合を可能にする、人間可読な記述を生成する。 本稿では,これらの説明の信頼性を体系的に評価し,クラスタ解釈において広範囲のオーディエンスを惹きつけるための効果的な第一歩となることを実証する。 このツールはhttps://langlasso.vercel.appで入手できる。

関連論文リスト

• In-Context Clustering with Large Language Models [50.25868718329313]
  ICCは、注意機構を通じて入力間の複雑な関係をキャプチャする。 事前学習したLLMは、テキスト符号化された数値データに対して、印象的なゼロショットクラスタリング機能を示す。 我々の研究は、文脈内学習を教師なしの設定に拡張し、クラスタリングにおけるLLMの有効性と柔軟性を示します。
  論文  参考訳（メタデータ） (2025-10-09T17:07:55Z)
• Interpretable Zero-Shot Learning with Locally-Aligned Vision-Language Model [56.573203512455706]
  大規模視覚言語モデル(VLM)は、大規模視覚テキストペアデータセットを活用することでゼロショット学習(ZSL)において顕著な成功を収めた。 この問題に対処する1つのアプローチは、言語を統合することで解釈可能なモデルを開発することである。 本稿では,ZSLを解釈可能な言語モデルであるLaZSLを提案する。
  論文  参考訳（メタデータ） (2025-06-30T13:14:46Z)
• NeurCAM: Interpretable Neural Clustering via Additive Models [3.4437947384641037]
  解釈可能なクラスタリングアルゴリズムは、取得したグループを説明しながら、類似したデータポイントをグループ化する。 本稿では、解釈可能なクラスタリング問題に対する新しいアプローチであるNeurCAM(Neur Clustering Additive Model)を紹介する。 本手法は,テキストデータのクラスタリングにおいて,他の解釈可能なクラスタリング手法よりも優れている。
  論文  参考訳（メタデータ） (2024-08-23T20:32:57Z)
• ClawMachine: Learning to Fetch Visual Tokens for Referential Comprehension [71.03445074045092]
  我々はClawMachineを提案し、視覚トークンのグループのトークン集合を用いて各エンティティに明示的に通知する新しい方法論を提案する。 追加構文を用いることなく視覚的参照タスクのプロンプトと応答を統一する手法を提案する。 ClawMachineは、高い効率でシーンレベルおよび参照理解タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-17T08:39:16Z)
• Text Clustering with Large Language Model Embeddings [0.0]
  テキストクラスタリングの有効性は、テキスト埋め込みとクラスタリングアルゴリズムの選択に大きく依存する。 大規模言語モデル(LLM)の最近の進歩は、このタスクを強化する可能性を秘めている。 LLM埋め込みは構造化言語の微妙さを捉えるのに優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-22T11:08:48Z)
• Open-Vocabulary Camouflaged Object Segmentation [66.94945066779988]
  OVCOS(Open-vocabulary camouflaged Object segmentation)を導入した。 我々は11,483個の手選択画像とそれに対応するオブジェクトクラスを含む大規模複合シーンデータセット(textbfOVCamo)を構築した。 クラスセマンティック知識の指導とエッジ情報と深度情報からの視覚構造的手がかりの補足を統合することにより、提案手法は効率よくカモフラージュされたオブジェクトを捕捉できる。
  論文  参考訳（メタデータ） (2023-11-19T06:00:39Z)
• Deep Descriptive Clustering [24.237000220172906]
  本稿では,解釈可能なタグを用いた説明を同時に生成しながら,複雑なデータに対してクラスタリングを行うための新しい設定について検討する。 我々は,入力に対する経験的分布と,クラスタリング目的に対して誘導されたクラスタリングラベルの相互情報を最大化することにより,優れたクラスタを形成する。 公開データによる実験結果から,クラスタリング性能の競争ベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2021-05-24T21:40:16Z)

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。