論文の概要: ReLTEx: Reliable LLM-based Taxonomy Expansion

• arxiv url: http://arxiv.org/abs/2608.10970v1
• Date: Tue, 11 Aug 2026 14:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.074297
• Title: ReLTEx: Reliable LLM-based Taxonomy Expansion
• Title（参考訳）: ReLTEx:信頼性の高いLLMベースの分類拡張
• Abstract要約: ReLTExは、信頼性の高いLarge Language Modelsベースの分類拡張のためのフレームワークである。 ReLTExは、より信頼性が高く、セマンティックにコヒーレントな分類拡張をもたらす。
• 参考スコア（独自算出の注目度）: 1.546945230112218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Large Language Models (LLMs) have demonstrated strong capabilities in generating semantically relevant concepts and relations, making them promising tools for taxonomy enrichment. However, directly relying on LLM-generated expansions often leads to noisy, redundant, or hierarchically inconsistent structures, limiting their reliability for automated taxonomy expansion. In this paper, we present ReLTEx, a framework for reliable LLM-based taxonomy expansion. ReLTEx combines LLM-driven candidate generation with structure-aware validation and recursive expansion control to improve the consistency and quality of generated taxonomies by reducing hallucinations. We evaluate the proposed framework using benchmark taxonomies under a masked taxonomy expansion setting and compare multiple validation strategies. Experimental results, supported by both adapted evaluation metrics and human evaluation, demonstrate that ReLTEx produces more reliable and semantically coherent taxonomy expansions.
• Abstract（参考訳）: 近年のLarge Language Models (LLMs) の進歩は、意味論的に関連する概念や関係を生成する強力な能力を示しており、分類学の豊か化のための有望なツールとなっている。 しかし、LSMが生成する拡張に直接依存すると、しばしばノイズ、冗長、階層的不整合構造が生じ、自動分類の拡張に対する信頼性が制限される。 本稿では,信頼性LLMに基づく分類学拡張のためのフレームワークであるReLTExを提案する。 ReLTExは、LLM駆動の候補生成と構造認識の検証と再帰的な拡張制御を組み合わせることで、幻覚を減らし、生成した分類の一貫性と品質を改善する。 マスク付き分類学拡張設定の下で, ベンチマーク分類学を用いて提案手法を評価し, 複数の検証戦略を比較した。 適応された評価指標と人的評価の両方によって支持された実験結果は、ReLTExがより信頼性が高く、セマンティックにコヒーレントな分類の展開を生み出すことを示した。

関連論文リスト

• Learning Taxonomic Trees with Hierarchical Representation Regularization for Large Multimodal Models [47.868429337792314]
  大規模なマルチモーダルモデル(LMM)は、しばしば分類学的な知識が欠如しており、階層的視覚認識(HVR)の一貫性が低い。 LMMにおける階層整合性を改善するシンプルなプラグアンドプレイ正規化器である階層表現正規化(HiR2$)を提案する。 HiR2$は、様々なLMMと微調整方法の分類構造を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2026-07-03T03:16:41Z)
• 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)
• FABLE: Forest-Based Adaptive Bi-Path LLM-Enhanced Retrieval for Multi-Document Reasoning [2.9863062339019817]
  textbfForestベースのtextbfAdaptive textbfBi-path textbfLLM-textbfEnhanced search framework である textbfFABLE を提案する。
  論文  参考訳（メタデータ） (2026-01-26T04:00:56Z)
• Revisiting Feedback Models for HyDE [49.53124785319461]
  HyDE は LLM 生成した仮説的回答文書でクエリ表現を豊かにする手法である。 実験の結果,Rocchioなどのフィードバックアルゴリズムを利用して抽出と重み拡張を行う場合,HyDEの有効性は著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-11-24T17:50:18Z)
• 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)
• 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)
• Iterative Augmentation with Summarization Refinement (IASR) Evaluation for Unstructured Survey data Modeling and Analysis [0.43988112145759295]
  本研究は,大規模言語モデル(LLM)に基づくテキスト拡張のための原則的評価フレームワークを導入する。 実証評価の結果, GPT-3.5 Turbo はセマンティック忠実度, 多様性, 生成効率の最良のバランスを達成できた。
  論文  参考訳（メタデータ） (2025-07-16T10:49:30Z)
• LLMTaxo: Leveraging Large Language Models for Constructing Taxonomy of Factual Claims from Social Media [13.898378166582154]
  本稿では,ソーシャルメディアからの事実主張の冗長性の自動構築に大規模言語モデルを活用する新しいフレームワークであるLLMTaxoを紹介する。 結果として生じる階層構造は、情報アクセシビリティを大幅に低減し、改善する。 3つの多様なデータセットに対して行われた評価は、LLMTaxoが明確で一貫性があり、包括的であることを示す。
  論文  参考訳（メタデータ） (2025-04-11T18:43:16Z)
• Leveraging Taxonomy and LLMs for Improved Multimodal Hierarchical Classification [19.80724112056431]
  マルチモーダル分類のための分類組込み遷移LLM非依存フレームワークを提案する。 MEP-3Mデータセットを用いた評価では,従来のLCM構造と比較して,大幅な性能向上が見られた。
  論文  参考訳（メタデータ） (2025-01-12T14:43:06Z)
• Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
  逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。 様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。 我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
  論文  参考訳（メタデータ） (2024-08-14T10:03:40Z)
• FLAME: Self-Supervised Low-Resource Taxonomy Expansion using Large Language Models [19.863010475923414]
  タコノミは、eコマース検索エンジンやレコメンデーションシステムなど、様々な現実世界のアプリケーションで実用性を見出す。 伝統的に監督された分類学の拡張アプローチは、限られた資源から生じる困難に遭遇する。 我々は,大規模言語モデルの能力を活用して,低資源環境における分類学拡張のための新しいアプローチであるFLAMEを提案する。
  論文  参考訳（メタデータ） (2024-02-21T08:50:40Z)
• 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)

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。