論文の概要: Label Semantic Expansion via Label Guided Neural Topic Modeling

• arxiv url: http://arxiv.org/abs/2608.30216v1
• Date: Mon, 31 Aug 2026 04:01:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.21593
• Title: Label Semantic Expansion via Label Guided Neural Topic Modeling
• Title（参考訳）: ラベルガイド型ニューラルトピックモデリングによるラベルセマンティック展開
• Abstract要約: 既存のラベル対応トピックモデルは、主にラベル・フォー・トピックスの観点から、学習トピックがラベル中心の分析に直接使用できないのに対して、学習トピックはトピック学習のガイドとしてラベルを使用する。 コーパスグラウンドで記述された話題語でスパースラベル表現を充実させるラベルセマンティック拡張(LSE)として、逆トピック・フォー・ラベルの視点を探求し、それをインスタンス化する。 LSE におけるトピックを効果的に活用するために,ラベル指向ニューラルトピックモデル (LGNTM) を提案する。
• 参考スコア（独自算出の注目度）: 19.771321031777152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Topic models are widely used for content analysis, where users often analyze corpora around predefined labels rather than unordered latent topics. Existing label-aware topic models mainly follow a labels-for-topics perspective, using labels to guide topic learning, while the learned topics are not directly usable for label-centered analysis. We explore the reverse topics-for-labels perspective and instantiate it as Label Semantic Expansion (LSE), which enriches sparse label representations with corpus-grounded descriptive topic words. To exploit topics in LSE effectively, we propose a Label-Guided Neural Topic Model (LGNTM), which learns dedicated label-aligned topics, grounds them in lexical and document semantic spaces, and preserves consistency between topic structures and label structures. Experiments on label-topic alignment, label expansion, topic quality, and downstream classification demonstrate strong overall performance across complementary evaluation dimensions.
• Abstract（参考訳）: トピックモデルはコンテンツ分析に広く使われており、ユーザーは順序のない潜在トピックではなく、事前に定義されたラベルの周囲のコーパスを分析することが多い。 既存のラベル対応トピックモデルは、主にラベル・フォー・トピックスの観点から、学習トピックがラベル中心の分析に直接使用できないのに対して、学習トピックはトピック学習のガイドとしてラベルを使用する。 コーパスグラウンドで記述された話題語でスパースラベル表現を充実させるラベルセマンティック拡張(LSE)として、逆トピック・フォー・ラベルの視点を探求し、それをインスタンス化する。 LSE のトピックを効果的に活用するために,ラベル指向ニューラルトピックモデル (LGNTM) を提案する。 ラベル・トピック・アライメント,ラベル拡張,トピック品質,下流分類の実験は,相補的評価次元において高い総合的性能を示した。

関連論文リスト

• Fuzzy Label: From Concept to Its Application in Label Learning [0.0]
  本稿では,ファジィ集合論に基づくファジィラベルの概念を導入し,ラベルの不確かさをよりよく捉え,表現する。 本稿では, ファジィラベルをマイニングし, 生成するファジィラベリング手法を提案する。 我々は,古典的K-Nearest Neighbors (KNN) とマルチラベルKNNアルゴリズムを具体例として,単一ラベル学習と多ラベル学習のファジィラベル強化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-10T14:58:19Z)
• Using LLM-Based Approaches to Enhance and Automate Topic Labeling [13.581341206178525]
  本研究では、トピックラベリングの自動化と強化にLLM(Large Language Models)を用いることを検討する。 トピックモデリングにBERTopicを適用した後、各トピック内でキーワードとドキュメントの要約を選択するための異なるアプローチを探索する。 それぞれのアプローチは、支配的なテーマや多様性といった異なる側面を優先し、ラベルの品質への影響を評価する。
  論文  参考訳（メタデータ） (2025-02-03T08:07:05Z)
• Leveraging Label Semantics and Meta-Label Refinement for Multi-Label Question Classification [11.19022605804112]
  本稿では,ラベルのセマンティクスとメタラベルの精巧化を活用して,複数ラベルの質問分類を検索する新手法RR2QCを紹介する。 実験の結果,RR2QCはPrecision@KとF1スコアの既存の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-04T06:27:14Z)
• HuBERTopic: Enhancing Semantic Representation of HuBERT through Self-supervision Utilizing Topic Model [62.995175485416]
  本稿では,HuBERTのセマンティック表現を豊かにするための新しいアプローチを提案する。 トピックラベルを教師として使用することにより、HuBERTに補助的なトピック分類タスクを追加する。 実験の結果,本手法は,ほとんどのタスクにおいて,ベースラインと同等あるいは優れた性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-06T02:19:09Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Description-Enhanced Label Embedding Contrastive Learning for Text Classification [65.01077813330559]
  モデル学習プロセスにおける自己監督型学習(SSL)と新しい自己監督型関係関係(R2)分類タスクの設計 テキスト分類とR2分類を最適化対象として扱うテキスト分類のための関係学習ネットワーク(R2-Net)の関係について検討する。 ラベルセマンティックラーニングのためのマルチアスペクト記述を得るためのWordNetからの外部知識。
  論文  参考訳（メタデータ） (2023-06-15T02:19:34Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• TagRec++: Hierarchical Label Aware Attention Network for Question Categorization [0.3683202928838613]
  オンライン学習システムは、階層的な性質の明確に定義された分類に従ってコンテンツを整理する。 階層ラベルへの入力を分類するタスクは通常、フラットな多クラス分類問題として扱われる。 各コンテンツに対して適切な階層ラベルを検索するために,タスクを高密度検索問題として定式化する。
  論文  参考訳（メタデータ） (2022-08-10T05:08:37Z)
• Towards Few-shot Entity Recognition in Document Images: A Label-aware Sequence-to-Sequence Framework [28.898240725099782]
  アノテーション付き文書画像のほんの数ショットしか必要としないエンティティ認識モデルを構築します。 ラベルを意識したSeq2seqフレームワーク LASER を開発した。 2つのベンチマークデータセットの実験は、数ショット設定下でのLASERの優位性を示している。
  論文  参考訳（メタデータ） (2022-03-30T18:30:42Z)
• TopicNet: Semantic Graph-Guided Topic Discovery [51.71374479354178]
  既存の階層的なトピックモデルでは、教師なしの方法でテキストコーパスから意味論的意味のあるトピックを抽出することができる。 TopicNetを階層的なトピックモデルとして導入し、学習に影響を与えるための帰納的バイアスとして、事前構造知識を注入する。
  論文  参考訳（メタデータ） (2021-10-27T09:07:14Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。