論文の概要: Security and Privacy Taxonomy Generation from Mobile App Reviews

• arxiv url: http://arxiv.org/abs/2608.09049v1
• Date: Mon, 10 Aug 2026 02:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.049328
• Title: Security and Privacy Taxonomy Generation from Mobile App Reviews
• Title（参考訳）: モバイルアプリレビューから生成するセキュリティとプライバシの分類
• Abstract要約: モバイルアプリのレビューは、ユーザーがプライバシーとセキュリティを体験する方法の豊富な情報源だが、既存の懸念は手作りであり、データの進化する性質に追随できない。 我々は、クラスタリングとLLMベースのノード命名を通じて専門家が定義した分類を拡張することによって、この規模で分類構築を処理するパイプラインであるTaxoScaleを紹介した。 TaxoScaleはパス、レベル、カバレッジ、ノベルティの指標に基づいて、強力な自動分類基準を上回ります。
• 参考スコア（独自算出の注目度）: 1.4302803674538154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile app reviews are a rich, continuously renewing source of how users experience privacy and security, yet existing taxonomies of these concerns are hand-crafted and cannot keep pace with the evolving nature of the data. Automating taxonomy construction is the natural response, but scalability is the core challenge: current LLM- and clustering-based methods are developed for scientific corpora of a few thousand documents and do not extend to app review collections numbering in the hundreds of thousands. We address this gap in two ways. First, we filter app reviews for privacy- and security-related content, yielding a comprehensive corpus of over 600K reviews. Second, we introduce TaxoScale, a pipeline that handles taxonomy construction at this scale by extending an expert-defined taxonomy via Recursive Hierarchical Clustering and LLM-based node naming. TaxoScale outperforms strong automatic-taxonomy baselines on path, level, coverage, and novelty metrics, and discovers novel branches absent from prior taxonomies.
• Abstract（参考訳）: モバイルアプリのレビューは、ユーザーがプライバシーとセキュリティを体験する方法を継続的に更新するリッチな情報源だが、これらの懸念の既存の分類は手作りであり、データの進化する性質に追随することができない。 現在のLCMおよびクラスタリングベースの手法は、数千のドキュメントの科学的コーパス用に開発されており、数十万件のアプリレビューコレクションに拡張されていない。 このギャップを2つの方法で解決する。 まず、プライバシとセキュリティ関連のコンテンツに対するアプリのレビューをフィルタリングし、600万以上のレビューの包括的なコーパスを生成します。 第二にTaxoScaleは、再帰的階層クラスタリングとLLMベースのノード命名を通じて、専門家が定義した分類を拡張することによって、この規模で分類構築を処理するパイプラインである。 タコスケールは、パス、レベル、カバレッジ、ノベルティの指標に基づいて強力な自動分類基準を上回り、以前の分類体系から欠落した新しい枝を発見する。

関連論文リスト

• Enriching Taxonomies Using Large Language Models [1.546945230112218]
  本稿では,Large Language Models(LLMs)を活用して与えられた分類を強化する新しい分類体系であるTaxoriaを紹介する。 内部LLMを抽出するアプローチとは異なり、Taxoriaは既存の分類学をシードとして使用し、LLMに富化のための候補ノードを提案するよう促す。 最終的なアウトプットには、分析のための最終統合分類の追跡と視覚化を含む、豊富な分類が含まれます。
  論文  参考訳（メタデータ） (2025-11-21T10:25:59Z)
• TaxoAlign: Scholarly Taxonomy Generation Using Language Models [14.54227999705238]
  分類学は、研究者が階層的な方法で知識を構造化し、ナビゲートするのを助ける重要な役割を担っている。 既存の自動サーベイ生成手法は、生成したサーベイの構造と人間の専門家が書いたものとは比較しない。 本研究では,人為的・自動的間のギャップを埋めることのできる自動分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-20T07:49:51Z)
• Context-Aware Hierarchical Taxonomy Generation for Scientific Papers via LLM-Guided Multi-Aspect Clustering [59.54662810933882]
  既存の分類体系の構築手法は、教師なしクラスタリングや大きな言語モデルの直接的プロンプトを利用しており、コヒーレンスと粒度の欠如が多かった。 LLM誘導型マルチアスペクト符号化と動的クラスタリングを統合したコンテキスト対応階層型階層型分類生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T15:12:58Z)
• Using Zero-shot Prompting in the Automatic Creation and Expansion of Topic Taxonomies for Tagging Retail Banking Transactions [0.0]
  本研究は、命令ベース微調整LDMを用いたトピックの構築と拡張のための教師なし手法を提案する(大規模言語モデル)。 既存の分類を新しい用語で拡張するために、ゼロショットプロンプトを使用して、新しいノードを追加する場所を見つける。 得られたタグを使って、小売銀行のデータセットから商人を特徴づけるタグを割り当てます。
  論文  参考訳（メタデータ） (2024-01-08T00:27:16Z)
• TaxoCom: Topic Taxonomy Completion with Hierarchical Discovery of Novel Topic Clusters [57.59286394188025]
  我々はTaxoComというトピック分類の完成のための新しい枠組みを提案する。 TaxoComは、用語と文書の新たなサブトピッククラスタを発見する。 2つの実世界のデータセットに関する包括的実験により、TaxoComは、用語の一貫性とトピックカバレッジの観点から、高品質なトピック分類を生成するだけでなく、高品質なトピック分類を生成することを実証した。
  論文  参考訳（メタデータ） (2022-01-18T07:07:38Z)
• Who Should Go First? A Self-Supervised Concept Sorting Model for Improving Taxonomy Expansion [50.794640012673064]
  データとビジネスの範囲が実際のアプリケーションで拡大するにつれ、既存の概念を組み込むために拡張する必要がある。 分類学の拡張に関する以前の研究は、新しい概念を独立して同時に処理し、それらの間の潜在的な関係と操作を挿入する適切な順序を無視します。 本稿では,新しい概念の中で局所ハイパーニム・ハイプニム構造を同時に発見し,挿入順序を決定する新しい自己教師付きフレームワークであるtaxoorderを提案する。
  論文  参考訳（メタデータ） (2021-04-08T11:00:43Z)
• CoRel: Seed-Guided Topical Taxonomy Construction by Concept Learning and Relation Transferring [37.1330815281983]
  本稿では,概念名によって記述された種子分類を入力としてコーパスと種分類を取り入れた種誘導型地域分類構築法を提案する。 関係伝達モジュールは、複数の経路に沿ってユーザの興味ある関係を学習し、転送し、種分類構造を幅と深さで拡張する。 概念学習モジュールは、分類学を共同で埋め込むことで、各概念ノードのセマンティクスを豊かにする。
  論文  参考訳（メタデータ） (2020-10-13T22:00:31Z)
• Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
  オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。 本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。 Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
  論文  参考訳（メタデータ） (2020-06-18T04:53:07Z)
• STEAM: Self-Supervised Taxonomy Expansion with Mini-Paths [53.45704816829921]
  本稿では,STEAMという自己管理型分類拡張モデルを提案する。 STEAMは自然の自己超越信号を生成し、ノードアタッチメント予測タスクを定式化する。 実験の結果、STEAMは11.6%の精度と7.0%の相反ランクで、最先端の分類法よりも優れていた。
  論文  参考訳（メタデータ） (2020-06-18T00:32:53Z)
• TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced Graph Neural Network [62.12557274257303]
  分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。 そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。 本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
  論文  参考訳（メタデータ） (2020-01-26T21:30:21Z)

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。