論文の概要: Interpretable Unsupervised Community Detection with LLM-Symbolized Structured Processes

• arxiv url: http://arxiv.org/abs/2608.06402v1
• Date: Sun, 02 Aug 2026 03:30:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.237321
• Title: Interpretable Unsupervised Community Detection with LLM-Symbolized Structured Processes
• Title（参考訳）: LLM-Symbolized Structured Processsを用いた解釈不能なコミュニティ検出
• Abstract要約: LUCIDは、大規模言語モデル誘導型、解釈可能、トレーニング不要、教師なしのコミュニティ検出方法である。 LLMは暗黙の知識を明示的で解釈可能な論理構造に翻訳する形式規則を誘導する。 実世界のデータセットの実験では、LUCIDは教師なしのアプローチとして、最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 17.316321959109526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community detection is a fundamental task in graph analytics that aims to identify cohesive groups of entities with similar behaviors or interests. Classic objective-driven methods struggle with complex graph structures, while deep-learning approaches improve performance at the expense of interpretability and rely on labeled data and training. Large language models (LLMs), with strong reasoning capabilities and world knowledge, are promising for interpretable, label-free community detection. To leverage these strengths, we propose LUCID, an LLM-guided, interpretable, training-free, and unsupervised community detection method. Inspired by phase-transition kinetics in natural systems, where complex structures emerge through initialization, merging, refinement, and selection, LUCID is designed as a four-stage pipeline. Within this pipeline, the LLM induces formal rules that translate implicit knowledge into explicit and interpretable logical structures. Specifically, (1) the Local-View Community Initialization stage encodes local graph structures using k-ego contexts and unsupervised node roles; (2) the Multi-factor Community Merge stage uses LLM-induced rules to iteratively merge local communities; (3) the Multi-grain Community Refinement stage applies LLM-induced coarse-to-fine rules in parallel to reduce boundary noise; and (4) the Global-view Community Selection stage identifies high-quality communities based on topological compactness and boundary clarity. Extensive experiments on real-world datasets demonstrate that LUCID, as an unsupervised approach, achieves state-of-the-art performance and consistently outperforms leading unsupervised and semi-supervised baselines.
• Abstract（参考訳）: コミュニティ検出は、グラフ分析における基本的なタスクであり、類似の行動や関心を持つエンティティの凝集的なグループを特定することを目的としている。 古典的な客観的駆動手法は複雑なグラフ構造に苦しむが、ディープラーニングアプローチは解釈可能性の犠牲を払って性能を改善し、ラベル付きデータとトレーニングに依存する。 強力な推論能力と世界知識を備えた大規模言語モデル(LLM)は、解釈可能なラベルなしコミュニティ検出を約束している。 これらの長所を活用するために,LUCID,LLM誘導型,解釈可能,トレーニング不要,教師なしのコミュニティ検出手法を提案する。 LUCIDは4段階のパイプラインとして設計されており、初期化、マージ、精錬、選択によって複雑な構造が出現する自然系の相転移運動学に着想を得たものである。 このパイプライン内では、LLMは暗黙の知識を明示的で解釈可能な論理構造に変換する形式的な規則を導出する。 具体的には、(1)ローカルビューコミュニティ初期化段階は、k-egoコンテキストと教師なしノードロールを用いて局所グラフ構造を符号化し、(2)マルチファクタコミュニティマージ段階は、LLMによる規則を反復的にマージするために使用し、(3)マルチグレーンコミュニティリファインメント段階は、境界ノイズを低減するためにLLMによる粗粒度ルールを並列に適用し、(4)グローバルビューコミュニティ選択段階は、トポロジ的コンパクト性と境界明瞭度に基づく高品質なコミュニティを特定する。 実世界のデータセットに関する大規模な実験は、LUCIDが教師なしのアプローチとして、最先端のパフォーマンスを実現し、教師なしと半教師なしのベースラインを導いてくれることを実証している。

関連論文リスト

• Unleashing Multimodal Large Language Models for Training-free HOI Detection in the Wild [49.77540427384148]
  本稿では,基礎モデルの汎用的マルチモーダル推論能力を野生でのHOI検出に伝達する,訓練不要なエージェント型フレームワークであるAgenHoIを提案する。 不完全な相互作用発見と複雑な場面におけるあいまいな局所化の課題に対処するために,2つの重要なメカニズムを導入する。 AgentHOIは、リアルタイム設定において、最先端の教師付きおよび弱教師付きメソッドよりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-07-15T14:30:20Z)
• Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy [57.058369251551795]
  教師なしグラフクラスタリングは、大規模ネットワークの基盤となるセマンティックパターンを明らかにするための基本的な手法である。 本研究では,制約付き構造エントロピーを用いたコミュニティ認識サンプリングを連携させることにより,構造整合性を維持するフレームワークであるSCISEを提案する。 SCISEは最先端のアルゴリズムを著しく上回り、アブレーション研究とロバストネス分析により、実世界の大規模グラフの有効性と信頼性をさらに検証した。
  論文  参考訳（メタデータ） (2026-07-06T07:55:53Z)
• Structured Prompt Optimization Meets Reinforcement Learning for Global and Local Interpretability over Complex Text [14.95562040863983]
  LLMには高度なテキスト分類があるが、既存のパラダイムはトレードオフに直面している。 我々は,eXTCを3段階に分けて導入し,SOPを学習し,LLMから小型LMへの蒸留を推理し,初期のSOPを超えて推論能力を拡張した。 この設計は、(i)コンパクトなLMによる高速な推論を可能にし、(ii)推論時局所的推論トレースと、(ii)学習されたドメインルールのグローバルなモジュラーな説明と、(iii)分類性能と説明品質の両方において、既存のパラダイムを著しく上回り、ステージバイステージゲインを実現している。
  論文  参考訳（メタデータ） (2026-05-27T20:29:41Z)
• Rethinking Easy-to-Hard: Limits of Curriculum Learning in Post-Training for Deductive Reasoning [61.81622271655058]
  本稿では,カリキュラムに基づく大規模言語モデルのポストトレーニングに関する体系的な実証的研究について述べる。 精度と応答長のいずれにおいても、標準的なランダムサンプリングよりも難易度に基づくシークエンシングにおいて、ロバストな優位性は見つからない。 本研究は, 帰納的推論の文脈において, 学習例の特定の順序付けは, 構成的一般化の達成において無視できる役割を担っていることを示唆している。
  論文  参考訳（メタデータ） (2026-03-28T10:43:36Z)
• COINBench: Moving Beyond Individual Perspectives to Collective Intent Understanding [4.5799194788369455]
  COIN-BENCHは、大言語モデル(LLM)を集合的意図的理解に基づいて評価する、ライブ更新ベンチマークである。 トランザクション結果にフォーカスする従来のベンチマークとは異なり、COIN-BENCHは階層的な認知構造として意図を運用している。 このフレームワークは、階層的な認知的構造化と検索強化検証(COIN-RAG)のためのCOIN-TREEを組み込んで、生の人的議論を分析するための専門家レベルの精度を確保する。
  論文  参考訳（メタデータ） (2026-03-22T17:12:14Z)
• UAVGENT: A Language-Guided Distributed Control Framework [15.510733301684716]
  進化的かつ高レベルなミッションを実行するマルチドローンシステムの言語-in-the-loop制御について検討する。 i)人間の操作者が自然言語命令を発行し、(ii)LLMベースの監督者が定期的に命令されたタスクを解釈し、検証し、修正し、(iii)分散インナーループコントローラが結果の参照を追跡する3層アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-01-18T19:48:57Z)
• 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)
• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• LLM-as-classifier: Semi-Supervised, Iterative Framework for Hierarchical Text Classification using Large Language Models [0.0]
  大規模言語モデル(LLM)は、構造化されていないテキストデータを解析する前例のない機能を提供している。 標準的な微調整アプローチはリソース集約的であり、実世界のデータ分散の動的な性質にしばしば苦労する。
  論文  参考訳（メタデータ） (2025-08-22T15:47:17Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)

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。