論文の概要: Agentopic: A Generative AI Agent Workflow for Explainable Topic Modeling

• arxiv url: http://arxiv.org/abs/2605.00833v1
• Date: Thu, 02 Apr 2026 01:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.434698
• Title: Agentopic: A Generative AI Agent Workflow for Explainable Topic Modeling
• Title（参考訳）: Agentopic: 説明可能なトピックモデリングのための生成AIエージェントワークフロー
• Authors: Brice Valentin Kok-Shun, Johnny Chan, Gabrielle Peko, David Sundaram,
• Abstract要約: Agentopicは、説明可能なトピックモデリングのための新しいエージェントベースのワークフローである。 ユーザーはトピックの割り当ての背後にある推論を追跡できる。 Agentopicは0.95のF1スコアを獲得し、GPT-4.1と一致し、LDA(0.93)を改善し、BERTopic(0.98)に近い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentopic is a novel agent-based workflow for explainable topic modeling that leverages the reasoning capabilities of Large Language Models (LLMs). Existing topic modeling approaches such as Latent Dirichlet Allocation (LDA) and BERTopic often lack transparency on how topics are assigned or grouped. Agentopic addresses this by using multiple agents that collaboratively perform topic identification, validation, hierarchical grouping, and natural language explanation. This design enables users to trace the reasoning behind topic assignments, enhancing interpretability without sacrificing accuracy. When seeded with topics from the British Broadcasting Corporation (BBC) dataset, Agentopic achieves an F1-score of 0.95, matching GPT-4.1, improving on LDA (0.93), and close to BERTopic (0.98). We used Agentopic to augment the BBC dataset with generated explanations to improve the dataset's richness and context. The unseeded Agentopic generated 2045 semantically coherent topics organized across six hierarchical levels, vastly enriching the original five-category structure. By embedding explainability throughout the workflow, Agentopic offers an interpretable alternative to black-box models, making it particularly valuable for crucial applications like finance and healthcare.
• Abstract（参考訳）: Agentopicは、LLM(Large Language Models)の推論機能を活用する、説明可能なトピックモデリングのための新しいエージェントベースのワークフローである。 Latent Dirichlet Allocation (LDA)やBERTopicといった既存のトピックモデリングアプローチでは、トピックの割り当てやグループ化に関する透明性が欠如していることが多い。 Agentopicは、トピックの識別、検証、階層的なグループ化、自然言語の説明を協調的に行う複数のエージェントを使用してこの問題に対処する。 この設計により、ユーザーはトピックの割り当ての背後にある推論を追跡でき、精度を犠牲にすることなく解釈性を向上させることができる。 ブリティッシュ・ブロードキャスティング・コーポレーション (BBC) のデータセットからトピックをシードすると、Agentopic は F1スコア 0.95 に達し、GPT-4.1 と一致し、LDA (0.93) を改善し、BERTopic (0.98) に近い。 我々は、Agentopicを使用してBBCデータセットを拡張し、データセットの豊かさとコンテキストを改善するために生成された説明を行った。 アンシードのAgentopicは、2045年に6つの階層レベルの意味論的コヒーレントなトピックを生成し、元の5つのカテゴリ構造を大いに豊かにした。 ワークフロー全体に説明責任を埋め込むことで、Agentopicはブラックボックスモデルの解釈可能な代替手段を提供する。

関連論文リスト

• An Agentic AI System for Multi-Framework Communication Coding [17.846847341760675]
  臨床コミュニケーションのための多フレーム構造化エージェントAIシステム(MOSAIC)を開発した。 MOSAICはLangGraphベースのアーキテクチャ上に構築されており、コードブックの選択とワークフロー計画のためのPlan Agentを含む4つのコアエージェントを編成する。 性能を評価するため,訓練された人間のコーダが作成したゴールドスタンダードアノテーションとMOSAIC出力を比較した。
  論文  参考訳（メタデータ） (2025-12-09T14:46:16Z)
• VAGEN: Reinforcing World Model Reasoning for Multi-Turn VLM Agents [130.70999337445468]
  言語モデル(LLM)エージェントと比較して、視覚言語モデル(VLM)エージェントを訓練する際の重要な課題は、テキスト状態から複雑な視覚観察に移行することである。 VLMエージェントは、明示的な視覚状態推論によって内部世界モデルを構築することができるか? 我々は、強化学習(RL)を通して、エージェントの推論プロセスを建築的に実施し、報奨する。 エージェントの状態推定と遷移モデリングへの推論が成功に不可欠であることが分かりました。
  論文  参考訳（メタデータ） (2025-10-19T16:05:07Z)
• LLM-Assisted Topic Reduction for BERTopic on Social Media Data [0.22940141855172028]
  本稿では,話題生成のためのBERTopicと話題短縮のための大規模言語モデルを組み合わせたフレームワークを提案する。 3つのTwitter/Xデータセットと4つの異なる言語モデルにまたがるアプローチを評価した。
  論文  参考訳（メタデータ） (2025-09-18T20:59:11Z)
• TopicGPT: A Prompt-based Topic Modeling Framework [77.72072691307811]
  TopicGPTは,大規模言語モデルを用いてテキストコレクション内の潜在トピックを明らかにするプロンプトベースのフレームワークである。 競合する手法と比較して、人間の分類とよく一致したトピックを生成する。 そのトピックもまた解釈可能であり、自然言語ラベルと関連する自由形式の記述を含むトピックを好んで、曖昧な言葉の袋を除いた。
  論文  参考訳（メタデータ） (2023-11-02T17:57:10Z)
• GENEVA: Benchmarking Generalizability for Event Argument Extraction with Hundreds of Event Types and Argument Roles [77.05288144035056]
  Event Argument extract (EAE)は、新しいイベントやドメインに対応するためのモデルの一般化性の改善に重点を置いている。 ACEやEREといった標準的なベンチマークデータセットは、40のイベントタイプと25のエンティティ中心の引数ロールをカバーする。
  論文  参考訳（メタデータ） (2022-05-25T05:46:28Z)
• Keyword Assisted Embedded Topic Model [1.9000421840914223]
  確率論的トピックモデルは、文書内の単語がトピックと呼ばれる潜在分布の集合を通してどのように生成されるかを記述する。 近年,組込みトピックモデル (ETM) がLDAを拡張して,単語埋め込みにおける意味情報を利用して意味的にリッチなトピックを導出している。 本稿では,ユーザ知識を情報的トピックレベルの先行情報に組み込む機能を備えたKeyETM(Keyword Assisted Embedded Topic Model)を提案する。
  論文  参考訳（メタデータ） (2021-11-22T07:27:17Z)
• Topic Adaptation and Prototype Encoding for Few-Shot Visual Storytelling [81.33107307509718]
  トピック間一般化の能力をモデル化するためのトピック適応型ストーリーテラを提案する。 また,アトピー内導出能力のモデル化を目的とした符号化手法の試作も提案する。 実験結果から,トピック適応とプロトタイプ符号化構造が相互に利益をもたらすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-08-11T03:55:11Z)

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。