論文の概要: SPARROW: Scalable Taxonomy Induction via Structure-Preserving Partitioning and Constraint-Guided Merging

• arxiv url: http://arxiv.org/abs/2609.07307v1
• Date: Mon, 07 Sep 2026 10:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 00:47:19.033838
• Title: SPARROW: Scalable Taxonomy Induction via Structure-Preserving Partitioning and Constraint-Guided Merging
• Title（参考訳）: SPARROW: 構造保存分割と制約誘導マージによるスケーラブルな分類誘導
• Abstract要約: 最近の手法は、コーパスの必要を回避して、フラットな用語リストから直接インジェクションすることができるが、概念セットのスケールアップに伴って急激に劣化する。 SPARROWは,各ブロック内の階層的接続性を維持するために,構造保存されたスペクトル分割を組み合わせたスケーラブルな分類誘導フレームワークである。 大規模なベンチマーク実験により、SPARROWはバックボーン全体で最強のグローバルな構造的品質を一貫して達成していることが示された。
• 参考スコア（独自算出の注目度）: 16.319023057139173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Taxonomy induction aims to organize concept sets into coherent hierarchical structures. Recent LLM-based methods can induce taxonomies directly from flat term lists, avoiding the need for corpora, but degrade sharply as concept sets scale up. We argue that this degradation stems not only from context length limitations, but also from structural failures in hierarchical reasoning. To address this, we adopt a divide-and-merge paradigm that partitions concepts into smaller subsets, induces local taxonomies, and merges them into a global hierarchy. However, we identify two structural failure modes inherent to this paradigm: Structural Fragmentation, where partitioning weakens local hierarchical signals, and Parent Displacement, where locally plausible relations are misplaced in the global hierarchy. To address both, we propose SPARROW, a scalable taxonomy induction framework that combines structure-preserving spectral partitioning to retain hierarchical connectivity within each block, and constraint-guided incremental fusion that treats block-level relations as structural constraints rather than ground truth for global placement. Experiments on large-scale benchmarks show that SPARROW consistently achieves the strongest global structural quality across backbones. The code is available at https://github.com/rebeccazyr/SPARROW.
• Abstract（参考訳）: 分類学誘導は、概念セットをコヒーレントな階層構造に整理することを目的としている。 近年のLSMに基づく手法は, コーパスの必要を回避して, フラットな用語リストから直接分類学を導き出すことができるが, 概念セットのスケールアップに伴って急激に低下する。 この劣化は文脈長の制限だけでなく、階層的推論における構造的失敗にも起因していると論じる。 これを解決するために、我々は、概念を小さなサブセットに分割し、局所的な分類を誘導し、それらをグローバルな階層にマージする分割と統合のパラダイムを採用する。 しかし、このパラダイムに固有の2つの構造的障害モードを識別する: 分割が局所的階層的信号を弱める構造的フラグメンテーションと、局所的確率的関係が大域的階層に置き換わるペアレント変位である。 本研究では,各ブロック内の階層的接続を維持するために構造保存型スペクトル分割と,ブロックレベルの関係をグローバル配置の真理ではなく構造制約として扱う制約誘導型インクリメンタル融合を組み合わせた,スケーラブルな分類誘導フレームワークであるSPARROWを提案する。 大規模なベンチマーク実験により、SPARROWはバックボーン全体で最強のグローバルな構造的品質を一貫して達成していることが示された。 コードはhttps://github.com/rebeccazyr/SPARROW.comで公開されている。

関連論文リスト

• TaxCE : A Framework for Automated Taxonomy Construction and Evaluation at Scale [0.992650024444822]
  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。
  論文  参考訳（メタデータ） (2026-08-31T11:25:25Z)
• Semi-Supervised Hyperbolic Hierarchical Clustering with Set-Level Structural Priors [6.266139801172993]
  半教師付き階層クラスタリングは、データパターンとユーザが提供する監視と整合したツリー構造を学ぶことを目的としている。 本稿では, 半教師付きハイパーボリック階層クラスタリング手法を提案する。 実験により,提案手法は階層的クラスタリングベースラインよりも連続的にラベルの整合性を向上させることが示された。
  論文  参考訳（メタデータ） (2026-06-01T01:14:00Z)
• 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)
• ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering [55.55968342644846]
  テーブルのシリアライゼーションは、複雑なテーブル質問応答において、LLM(Large Language Models)にとって重要なボトルネックであり続けている。 既存のシリアライゼーションメソッドは明示的な階層をキャプチャできず、スキーマの柔軟性が欠如している。 本稿では,AdaSTRとDuTRの2つの主要モジュールを含むASTRA(Adaptive Semantic Tree Reasoning Architecture)を提案する。 複雑なテーブルベンチマーク実験により,本手法がSOTA(State-of-the-art)性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-10T06:09:41Z)
• Orthogonal Hierarchical Decomposition for Structure-Aware Table Understanding with Large Language Models [13.58784346599112]
  LLMの複雑なテーブルの構造保存型入力表現を構成する直交階層分解(OHD)フレームワークを提案する。 この表現に基づいて、各セルのセマンティックな系統を対称的に再構築する2経路アソシエーションプロトコルを設計する。 AITQA と HiTab という2つの複雑なテーブル質問応答ベンチマーク上で OHD フレームワークを評価する。
  論文  参考訳（メタデータ） (2026-02-02T11:22:43Z)
• 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)
• SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
  階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。 SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。 データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
  論文  参考訳（メタデータ） (2024-06-13T02:35:55Z)
• Global and Local Hierarchy-aware Contrastive Framework for Implicit Discourse Relation Recognition [8.143877598684528]
  暗黙的談話関係認識(IDRR)は談話分析において難しい課題である。 近年の手法では、感覚の階層的情報全体を談話関係表現に統合する傾向にある。 本稿では,2種類の階層をモデル化する新しいGlObal and Local Hierarchy-aware Contrastive Framework(GOLF)を提案する。
  論文  参考訳（メタデータ） (2022-11-25T03:19:03Z)
• Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
  HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。 我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。 我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
  論文  参考訳（メタデータ） (2021-10-18T17:56:02Z)
• Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
  本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。 第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。 第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
  論文  参考訳（メタデータ） (2021-03-08T03:04:14Z)

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。