論文の概要: Interpretable Column Annotation with LLM-Symbolized Decision Process Materialization
- arxiv url: http://arxiv.org/abs/2607.25228v1
- Date: Tue, 28 Jul 2026 03:02:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.689549
- Title: Interpretable Column Annotation with LLM-Symbolized Decision Process Materialization
- Title（参考訳）: LLM-Symbolized Decision Process による解釈型カラムアノテーション
- Abstract要約: カラムアノテーション(CA)は、テーブル列の意味とそれらの間の意味的関係を識別することを目的としている。
最近のCA法は通常、様々なニューラルネットワークを使用して列表現を学び、それらをラベルカテゴリに直接マッピングする。
カラムアノテーションをグローバル・ローカル・シンボリック決定プロセスとして実現したLCMを利用した解釈可能なCAフレームワークであるSymCAを提案する。
- 参考スコア（独自算出の注目度）: 23.720490692904658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Column annotation (CA), including column type annotation (CTA) and column property annotation (CPA), aims to identify the meanings of table columns and the semantic relationships among them. Recent CA methods usually use various neural models to learn column representations and directly map them to label categories, thereby (1) sacrificing model interpretability and adaptivity, and (2) overlooking rich label semantics and ultimately limiting accuracy. To address these limitations, we propose SymCA, an LLM-empowered interpretable CA framework that materializes column annotation as a global-to-local symbolic decision process. SymCA consists of two components: (1) global skeleton induction, which constructs a semantic skeleton over the label space, and (2) local substrate evolution, which evolves predictive substrates within the skeleton. Specifically, to exploit label semantics while preserving an interpretable decision process, the global skeleton induction module leverages LLMs to generate candidate hypernym-inspired tree-structured semantic skeletons and employs a Minimum Bayes Risk (MBR)-based consensus strategy to select a robust skeleton against generation variance. Since different internal nodes require different evidence to distinguish among their child nodes, the local substrate evolution module materializes each internal node as an executable and evolvable predictive substrate. Over multiple evolution rounds, each substrate trains an interpretable random forest classifier with the current operator set, leverages the LLM to propose node-specific operator modifications, and uses an exploration-exploitation strategy to prioritize promising substrates. Extensive experiments demonstrate that SymCA is accurate, robust, and interpretable, outperforming the strongest baselines by an average of 6.42% in Micro-F1 and 11.03% in Macro-F1.
- Abstract（参考訳）: カラム型アノテーション(CTA)やカラムプロパティアノテーション(CPA)を含むカラムアノテーション(CA)は、テーブル列の意味とそれらの間の意味的関係を識別することを目的としている。
最近のCA法では、様々なニューラルネットワークを用いて列表現を学習し、それらをラベルカテゴリに直接マッピングするので、(1)モデルの解釈可能性と適応性を犠牲にし、(2)リッチなラベルのセマンティクスを見下ろし、最終的に精度を制限します。
このような制約に対処するために,カラムアノテーションをグローバル・ローカルなシンボル決定プロセスとして実現したLCMを利用した解釈可能なCAフレームワークであるSymCAを提案する。
SymCAは、(1)ラベル空間上の意味的骨格を構成するグローバルスケルトン誘導と、(2)スケルトン内の予測基質を進化させるローカル基質進化の2つの構成要素から構成される。
具体的には、解釈可能な決定プロセスを維持しながらラベルセマンティクスを活用するために、グローバルスケルトン誘導モジュールはLSMを活用して、候補のハイパーネムにインスパイアされた木構造セマンティクスを生成し、最小ベイズリスク(MBR)に基づくコンセンサス戦略を用いて、生成分散に対する堅牢なスケルティクスを選択する。
異なる内部ノードは子ノードを区別するために異なるエビデンスを必要とするため、局所的な基質進化モジュールは各内部ノードを実行可能かつ進化可能な予測基板として実体化する。
複数の進化ラウンドにおいて、各基板は解釈可能なランダム森林分類器を現在の演算子セットで訓練し、LLMを利用してノード固有の演算子修正を提案し、探索探索戦略を用いて有望な基板を優先順位付けする。
大規模な実験では、SymCAは正確で頑健で解釈可能であり、マイクロF1では平均6.42%、マクロF1では11.03%で最強のベースラインを上回っている。
関連論文リスト
- Monosemanticity in Recommender Systems [0.0]
本研究では,Amazon Fashionデータセット上に大規模な行列分解推薦システムをトレーニングし,Materyoshka Sparse Autoencoderを学習した埋め込みに適用する。
メタデータアライメントとLCMラベリングによって得られた潜在特徴を分析し,セマンティックコヒーレンスとアンタングルメントを評価する。
以上の結果から, 協調フィルタリングは階層構造が復元可能であることが示唆され, マットリシカトレーニングは, 解釈可能な潜伏因子を明らかにするための原則的メカニズムが示唆された。
論文 参考訳（メタデータ） (2026-06-28T11:16:12Z) - HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy [54.91468501159335]
文書間関係抽出 (RE) は, 異なる文書に存在する頭部尾部エンティティ間の関係を識別することを目的としている。
本稿では,各レベルでの多視点検証により信頼性を向上させる推論戦略を提案する。
論文 参考訳（メタデータ） (2026-04-09T07:55:27Z) - 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) - FORESTLLM: Large Language Models Make Random Forest Great on Few-shot Tabular Learning [20.27406245916013]
本稿では,大規模言語モデル(LLM)の意味的推論能力を用いて,決定林の構造的帰納バイアスを統一する枠組みを提案する。
まずLLMがラベル付きデータとラベルなしデータの両方の一貫性に基づいて候補分割を評価するセマンティックスプリッティング基準を導入し、より堅牢で一般化可能な木構造を数発の監視下で実現する。
第2に,LLMが決定経路とその支持例を簡潔で決定論的な予測に蒸留し,雑音の多い経験的推定を意味的インフォームドアウトプットに置き換える,葉ノード安定化のためのワンタイムインコンテキスト推論機構を提案する。
論文 参考訳（メタデータ） (2026-01-16T14:08:51Z) - Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。
グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。
グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
論文 参考訳（メタデータ） (2026-01-13T03:35:18Z) - Majority Rules: LLM Ensemble is a Winning Approach for Content Categorization [0.0]
本研究では,大規模言語モデル(LLM)を用いた非構造化テキスト分類のためのアンサンブルフレームワークを提案する。
複数のモデルを統合することで、アンサンブル大言語モデル(eLLM)フレームワークは個々のシステムの共通の弱点に対処する。
eLLMは人間の専門レベルに近いパフォーマンスを実現し、分類に基づく分類のためのスケーラブルで信頼性の高いソリューションを提供する。
論文 参考訳（メタデータ） (2025-11-11T05:10:09Z) - Divide, Cache, Conquer: Dichotomic Prompting for Efficient Multi-Label LLM-Based Classification [0.2799896314754614]
大規模言語モデル(LLM)を用いた効率的な多言語テキスト分類手法を提案する。
単一の構造化された応答で全てのラベルを生成する代わりに、各ターゲット次元は独立してクエリされる。
この結果から,マルチラベル分類をダイコトミッククエリに分解することで,スケーラブルで効率的なフレームワークが提供されることが示唆された。
論文 参考訳（メタデータ） (2025-11-05T19:53:51Z) - STARE at the Structure: Steering ICL Exemplar Selection with Structural Alignment [24.80531387685099]
本稿では,効率,一般化性,性能のバランスを保った2段階の模範選択戦略を提案する。
まず、BERTベースのレトリバーを構造意識の監視を用いて微調整し、意味論的に関連性があり構造的に整合した模範を選定する。
次に,隠れ表現において構文的に意味のある情報を増幅するプラグインモジュールを用いて,検索機能を強化した。
論文 参考訳（メタデータ） (2025-08-28T16:04:39Z) - Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。
textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。
各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
論文 参考訳（メタデータ） (2025-06-02T08:13:32Z) - Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。
既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
論文 参考訳（メタデータ） (2025-02-15T19:10:35Z) - A Variational Hierarchical Model for Neural Cross-Lingual Summarization [85.44969140204026]
言語間の要約(英: cross-lingual summarization)とは、ある言語の文書を別の言語の要約に変換することである。
CLSに関する既存の研究は主にパイプライン手法の利用やエンドツーエンドモデルの共同トレーニングに重点を置いている。
条件付き変分自動エンコーダに基づくCLSタスクの階層モデルを提案する。
論文 参考訳（メタデータ） (2022-03-08T02:46:11Z)
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。