論文の概要: GRACE: LLM-Grounded Semantic Metric Spaces for Scalable Mixed-Data Clustering

• arxiv url: http://arxiv.org/abs/2608.07881v1
• Date: Sat, 08 Aug 2026 03:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.544463
• Title: GRACE: LLM-Grounded Semantic Metric Spaces for Scalable Mixed-Data Clustering
• Title（参考訳）: GRACE: スケーラブルな混合データクラスタリングのためのLLM周囲のセマンティックメトリックスペース
• Abstract要約: GRACEはスケーラブルな混合データクラスタリングのためのフレームワークである。 不均一な値を知識情報記述にマッピングする。 11の競合する手法よりも優れたクラスタリング精度と概念解釈性を実現する。
• 参考スコア（独自算出の注目度）: 19.352298911016668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering mixed tabular data requires a unified metric space to bridge the inherent heterogeneity between continuous numerical measurements and discrete categorical symbols. Traditionally, algorithms rely entirely on dataset-internal statistics to estimate categorical relationships, which confines the learned metric to empirical co-occurrences and ignores conceptually obvious yet statistically unobserved affinities. Although LLMs offer external world knowledge, applying their text-centric reasoning to highly abstract tabular concepts presents significant challenges. Bridging this modality gap to construct a semantically complete metric typically requires embedding LLMs into iterative metric learning loops to dynamically optimize cross-modality representations. This incurs intractable computational overhead, forcing a compromise between semantic enrichment and scalability. Therefore, we propose GRACE, an LLM-grounded framework for scalable mixed-data clustering. GRACE shifts semantic acquisition to the attribute-value level via a multi-perspective LLM querying strategy, mapping heterogeneous values into knowledge-informed descriptions. Crucially, this one-shot grounding extracts general-purpose semantic representations that embed heterogeneous attributes into a unified space, decoupling expensive LLM invocation from iterative optimization. Furthermore, GRACE cross-validates these external semantics against dataset-internal statistical evidence to ensure alignment with the dataset-specific cluster structure. Ultimately, GRACE matches the scalability of conventional statistics-driven baselines while achieving superior clustering accuracy and conceptual interpretability over 11 competing methods. The source code is available at https://github.com/develop-yang/GRACE-GRACE-A
• Abstract（参考訳）: 混合表データのクラスタリングには、連続的な数値測定と離散的な分類記号の間の固有の不均一性を橋渡しするために統一された計量空間が必要である。 伝統的に、アルゴリズムは分類的関係を推定するためにデータセット内部統計に完全に依存しており、これは学習されたメトリクスを経験的共起に限定し、概念的に明らかだが統計的に観測されていない親和性を無視している。 LLMは外部の知識を提供するが、テキスト中心の推論を高度に抽象的な表象概念に適用することは大きな課題である。 意味論的完備な計量を構成するためにこのモダリティギャップを埋めるには、通常、相互モダリティ表現を動的に最適化するために反復的なメートル法学習ループにLLMを埋め込む必要がある。 これにより、難解な計算オーバーヘッドが発生し、セマンティックエンリッチメントとスケーラビリティの妥協を迫られる。 そこで我々は,スケーラブルな混合データクラスタリングのためのLLMを基盤としたフレームワークであるGRACEを提案する。 GRACEはマルチパースペクティブなLLMクエリ戦略を通じてセマンティックな取得を属性値レベルにシフトし、異質な値を知識インフォームド記述にマッピングする。 このワンショットグラウンドは、不均一な属性を統一された空間に埋め込む汎用的な意味表現を抽出し、反復最適化から高価なLLM呼び出しを分離する。 さらに、GRACEはデータセット固有のクラスタ構造との整合性を確保するために、データセット内部の統計的証拠に対してこれらの外部セマンティクスを相互に検証する。 最終的に、GRACEは従来の統計駆動ベースラインのスケーラビリティと一致し、11の競合する手法よりも優れたクラスタリング精度と概念解釈性を実現している。 ソースコードはhttps://github.com/develop-yang/GRACE-GRACE-Aで入手できる。

関連論文リスト

• Beyond Statistical Co-occurrence: Unlocking Intrinsic Semantics for Tabular Data Clustering [52.97486694817375]
  本稿では,TagCC(Tabular-Augmented Contrastive Clustering)を提案する。 TagCCは、セマンティック・アウェア・トランスフォーメーションを通じて、基礎となるデータセマンティクスをテキストアンカーに蒸留する。 クラスタリングの目的と共同で最適化されており、学習した表現がセマンティックに一貫性があり、クラスタリングに親しみやすいことを保証する。
  論文  参考訳（メタデータ） (2026-04-13T00:25:22Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Learning Unified Distance Metric for Heterogeneous Attribute Data Clustering [60.05209293008078]
  クラスタ分析のための異種属性再構成と表現(HARR)学習パラダイム HarR はパラメータフリーで収束保証され、異なる要求されたクラスタ数 $k$ に対してより効果的に自己適応することができる。
  論文  参考訳（メタデータ） (2026-03-03T08:13:16Z)
• 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)
• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• ESMC: MLLM-Based Embedding Selection for Explainable Multiple Clustering [79.69917150582633]
  MLLM(Multi-modal large language model)は、ユーザ主導のクラスタリングを実現するために利用することができる。 本手法はまず,MLLMのテキストトークンの隠蔽状態が対応する特徴と強く関連していることを明らかにする。 また、擬似ラベル学習を付加した軽量クラスタリングヘッドを採用し、クラスタリング精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-11-30T04:36:51Z)
• Text Clustering as Classification with LLMs [9.128151647718251]
  本稿では,大規模言語モデルの文脈内学習機能を活用することで,テキストクラスタリングを分類タスクとして再編成するフレームワークを提案する。 LLMの高度な自然言語理解と一般化機能を活用することで,人間の介入を最小限に抑えた効果的なクラスタリングを実現する。 多様なデータセットに対する実験結果から,我々のフレームワークは,最先端の組込みクラスタリング技術に匹敵する,あるいは優れた性能を達成できることが示された。
  論文  参考訳（メタデータ） (2024-09-30T16:57:34Z)

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。