論文の概要: Universal Guideline-Driven Image Clustering via a Hybrid LLM Agent
- arxiv url: http://arxiv.org/abs/2606.24094v1
- Date: Tue, 23 Jun 2026 03:20:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.753317
- Title: Universal Guideline-Driven Image Clustering via a Hybrid LLM Agent
- Title（参考訳）: ハイブリッドLDMエージェントによるユニバーサルガイドライン駆動画像クラスタリング
- Authors: Wenliang Zhong, Rob Barton, Lucas Goncalves, Kushal Kumar, Feng Jiang, Hehuan Ma, Yuzhi Guo, Vidit Bansal, Karim Bouyarmane, Junzhou Huang,
- Abstract要約: テキスト・ガイドラインを通じてこれらのギャップを埋める最初のユニバーサル・フレームワークであるガイドライン駆動イメージ・クラスタリング・エージェントを紹介します。
本稿では,概念プロキシ抽出を通じてガイドラインを意識した埋め込みを生成する生成概念プロキシモデリングを提案する。
当社のフレームワークは、さまざまなクラスタリングタスクにまたがる特殊なメソッドを一貫して上回ります。
- 参考スコア（独自算出の注目度）: 30.57624245739599
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unifying image clustering across different clustering scenarios remains challenging due to fundamental gaps among tasks. We introduce a Guideline-Driven Image Clustering Agent, the first universal framework that bridges these gaps through textual guidelines. To incorporate complex guidelines without task-specific training, we propose Generative Concept Proxy Modeling, which generates guideline-aware embeddings via concept proxy extraction. For scenarios requiring automatic cluster discovery, we introduce LLM Traversal based on Minimum Spanning Tree that selectively applies LLM reasoning for complex semantic judgments. Our method generalizes across diverse clustering scenarios spanning from general to fine-grained categorization, from global to local criteria, and from balanced to long-tail distributions. Our framework consistently outperforms specialized methods across diverse clustering tasks.
- Abstract（参考訳）: さまざまなクラスタリングシナリオにまたがるイメージクラスタリングの統一は、タスク間の根本的なギャップのため、依然として困難である。
テキスト・ガイドラインを通じてこれらのギャップを埋める最初のユニバーサル・フレームワークであるガイドライン駆動イメージ・クラスタリング・エージェントを紹介します。
タスク固有のトレーニングを使わずに複雑なガイドラインを組み込むために,概念プロキシ抽出によるガイドライン対応の埋め込みを生成するジェネレーティブ・コンセプトプロキシ・モデリングを提案する。
クラスタの自動発見を必要とするシナリオに対しては,LLM推論を複雑な意味判断に選択的に適用する最小スパンニング木に基づくLLMトラバーサルを導入する。
本手法は,一般的な分類から細粒度分類,大域的基準から局所的基準,バランスの取れた分布から長距離分布まで,多様なクラスタリングシナリオを一般化する。
当社のフレームワークは、さまざまなクラスタリングタスクにまたがる特殊なメソッドを一貫して上回ります。
関連論文リスト
- PRISM: LLM-Guided Semantic Clustering for High-Precision Topics [0.2676349883103403]
PRISMは、LLMが取得したリッチ表現の利点と、潜在セマンティッククラスタリング手法の低コストと解釈可能性を組み合わせた、構造化されたトピックモデリングフレームワークである。
PRISMは、最先端のローカルトピックモデルや、大規模なフロンティア埋め込みモデルでのクラスタリングでさえ、トピック分離性を改善する。
論文 参考訳（メタデータ） (2026-04-03T16:56:47Z) - Cluster-R1: Large Reasoning Models Are Instruction-following Clustering Agents [81.79110139097297]
汎用埋め込みモデルは意味的類似性を認識するのに優れているが、ユーザ命令で指定されたテキストの特徴を捉えることができない。
我々は、命令追従クラスタリングを生成タスクとして再編成し、大規模推論モデルを自律的なクラスタリングエージェントとして訓練する。
我々の推論駆動学習パイプラインは、LEMがハイレベルクラスタリング命令を解釈し、対応する潜在グループを推測することを可能にする。
論文 参考訳（メタデータ） (2026-03-06T10:15:54Z) - ClusterFusion: Hybrid Clustering with Embedding Guidance and LLM Adaptation [52.794544682493814]
大規模言語モデル(LLM)は、強いコンテキスト推論を提供するが、以前の作業では、組み込みを洗練したりクラスタ境界を調整するために、主に補助モジュールとして使用していた。
本稿では,LLMをクラスタリングコアとして扱うハイブリッドフレームワークであるClusterFusionを提案する。
3つの公開ベンチマークと2つの新しいドメイン固有のデータセットの実験は、ClusterFusionが標準的なタスクで最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-12-04T00:49:43Z) - Parameter-Free Clustering via Self-Supervised Consensus Maximization (Extended Version) [50.41628860536753]
本稿では,SCMax と呼ばれる自己教師型コンセンサス最大化による,新しい完全パラメータフリークラスタリングフレームワークを提案する。
本フレームワークは,階層的なクラスタリングとクラスタ評価を単一の統合プロセスで行う。
論文 参考訳（メタデータ） (2025-11-12T11:17:17Z) - Fair Clustering via Hierarchical Fair-Dirichlet Process [8.85031165304586]
クラスタリングにおける公正性の一般的な概念は、クラスタを均衡させ、すなわち、保護された属性の各レベルは、各クラスタにほぼ等しく表現されなければならない。
本稿では,適切な目的関数の最適化にほぼ専念した既存の文献を補完する,公正クラスタリングのモデルに基づく新しい定式化を提案する。
論文 参考訳（メタデータ） (2023-05-27T19:16:55Z) - CLUSTSEG: Clustering for Universal Segmentation [56.58677563046506]
CLUSTSEGは画像セグメンテーションのための一般的なトランスフォーマーベースのフレームワークである。
これは、統合されたニューラルクラスタリングスキームを通じて、異なるイメージセグメンテーションタスク(スーパーピクセル、セマンティック、インスタンス、パノプティクス)に取り組む。
論文 参考訳（メタデータ） (2023-05-03T15:31:16Z)
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。