論文の概要: TaxCE : A Framework for Automated Taxonomy Construction and Evaluation at Scale

• arxiv url: http://arxiv.org/abs/2608.30614v1
• Date: Mon, 31 Aug 2026 11:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.361132
• Title: TaxCE : A Framework for Automated Taxonomy Construction and Evaluation at Scale
• Title（参考訳）: TaxCE : 大規模分類システムの構築と評価のためのフレームワーク
• Abstract要約: TaxCEは、構造化されていないフィードバックテキストを階層的な分類に整理するための完全に自動化されたフレームワークである。 本稿では,3つのコーパスグラウンド評価指標,排他性,排他性,粒状性(EEG)を紹介する。
• 参考スコア（独自算出の注目度）: 0.992650024444822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Organizing unstructured feedback text into hierarchical taxonomy is a fundamental challenge in NLP, particularly in domains where feedback arrives at massive scale in varied forms such as reviews, transcripts, and surveys. Existing approaches either produce shallow hierarchies, neglect long-tail topics, or lack rigorous evaluation frameworks. We present TaxCE, a fully automated framework that constructs multi-level hierarchical taxonomies from raw text through progressive condensation of corpus content into actionable segments, deduplicated semantic units, and granular topics with definitions, which are then organized bottom-up into a hierarchy with corpus-groundedness. We also introduce three corpus-grounded evaluation metrics, Exclusivity, Exhaustivity, and Granularity (EEG), and integrate them into a metrics-in-the-loop iterative refinement mechanism that diagnoses deficiencies and applies targeted corrections until convergence. Extensive experiments demonstrate that TaxCE consistently outperforms existing baselines spanning classical topic models, neural methods, and LLM-based approaches, with average improvements of 11.8, 20.5, and 15.7 percentage points in exclusivity, exhaustivity, and granularity respectively over the strongest baseline. Human evaluation further confirms superior taxonomy quality, actionability, and navigability.
• Abstract（参考訳）: 非構造的なフィードバックテキストを階層的な分類に組み込むことは、特にレビューや書き起こし、調査など様々な形でフィードバックが大規模に届く領域において、NLPの基本的な課題である。 既存のアプローチは、浅い階層を生成したり、長いトピックを無視したり、厳格な評価フレームワークを欠いている。 コーパス内容のプログレッシブ・コンデンセーションを通じて原文から多階層的階層的分類を構成する完全自動化フレームワークであるTaxCEを,動作可能なセグメント,重複したセマンティック・ユニット,粒度のトピックに分割し,ボトムアップをコーパス基底性のある階層に分類する。 また,3つのコーパスグラウンド評価指標,排他性,排他性,粒状性(EEG)を導入し,これらを,異常を診断し,収束まで対象の補正を施す,ループ内反復改善機構に統合する。 大規模な実験により、TaxCEは古典的なトピックモデル、ニューラルメソッド、LLMベースのアプローチにまたがる既存のベースラインを一貫して上回り、それぞれ最強のベースライン上での排他率、排気率、粒度の平均は11.8、20.5、および15.7%となっている。 人間の評価は、優れた分類学的品質、行動可能性、航海可能性をさらに確認する。

関連論文リスト

• Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
  マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。 既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。 本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。 我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-06-20T02:12:05Z)
• From Holistic Evaluation to Structured Criteria: Rubrics Across the Evolving LLM Landscape [79.30826980815927]
  ルーブリックは、複雑な品質判断を構造化され、実行可能な標準に変換する明示的な基準セットです。 我々は,既存のルーリックデザインを体系的に整理し,その構築と最適化を検証し,評価と訓練をまたいだ役割を解析する。
  論文  参考訳（メタデータ） (2026-06-07T13:34:55Z)
• SOCO: Benchmarking Semantic Object Correspondence in Vision Foundation Models [63.28435103335999]
  セマンティックオブジェクト対応のための新しいベンチマークであるSOCOを紹介する。 視覚基盤のバックボーンは強い意味構造をエンコードするが、関連するカテゴリ間での伝達対応は不十分であることを示す。 また,LVLMは画像マッチングよりもテキストプロンプト部分のローカライゼーションが優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-29T17:58:48Z)
• Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
  粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。 i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。 本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
  論文  参考訳（メタデータ） (2026-05-12T08:20:23Z)
• SC-Taxo: Hierarchical Taxonomy Generation under Semantic Consistency Constraints using Large Language Models [24.295783768613344]
  高品質の科学的分類法は、研究分野の構造的かつ階層的な表現を提供する。 既存の分類学のアプローチは、しばしば階層的なレベルの構造上の矛盾と意味的なミスアライメントに悩まされる。
  論文  参考訳（メタデータ） (2026-05-01T12:42:44Z)
• BoostTaxo: Zero-Shot Taxonomy Induction via Boosting-Style Agentic Reasoning and Constraint-Aware Calibration [6.719751155411076]
  BoostTaxoはゼロショット分類誘導のためのブースティングスタイルのLLMフレームワークである。 一連のドメイン用語を入力として取り、粗い方法で親識別を行う。 検索強化された定義修正、ハイブリッドな親候補選択、候補評価、構造対応スコアキャリブレーションを採用している。 ゼロショット分類誘導における最先端の手法よりも優れた、あるいは同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-03T15:48:09Z)
• 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)
• 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)
• Transforming Expert Knowledge into Scalable Ontology via Large Language Models [0.0]
  従来の分類学的アライメントへのアプローチは、概念ペアのエキスパートレビューに依存している。 本稿では,大規模言語モデル(LLM)とエキスパートキャリブレーション,反復的プロンプト最適化を組み合わせた新しいフレームワークを提案する。 F1スコアは0.97で、人間のベンチマーク0.68をほぼ上回りました。
  論文  参考訳（メタデータ） (2025-06-10T03:48:26Z)
• HFT-ONLSTM: Hierarchical and Fine-Tuning Multi-label Text Classification [7.176984223240199]
  階層型マルチラベルテキスト分類(HMTC)は,近縁なカテゴリの大規模集合よりも高精度である。 本稿では,HFT-ONLSTMと略される順序付きニューラルLSTMニューラルネットワークをベースとした階層的・微調整手法を提案し,より正確なレベル・バイ・レベルHMTCを提案する。
  論文  参考訳（メタデータ） (2022-04-18T00:57:46Z)

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。