論文の概要: RAILS: Retrieval-Augmented Incremental LLM Clustering at Scale

• arxiv url: http://arxiv.org/abs/2609.24464v1
• Date: Mon, 21 Sep 2026 12:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.274894
• Title: RAILS: Retrieval-Augmented Incremental LLM Clustering at Scale
• Title（参考訳）: RAILS: Retrieval-Augmented Inugmental LLM Clustering at Scale
• Abstract要約: RAILSは、クラスタリングを成長するラベルプール上の単純なループに変換し、バウンドワークロードを備えたドキュメントプールをスケールする、検索強化のインクリメンタルクラスタである。 6つの公開ベンチマークにおいて、RAILSは平均して最強のLCMクラスタリング法を超え、51.2%から59.3%まで精度を上げている。 RAILSは従来のHDBSCANステージを,高品質で透明なプロンプト駆動制御,ステートフルなインクリメンタル操作で置き換えた。
• 参考スコア（独自算出の注目度）: 42.08010836383289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using a Large Language Model (LLM) as the clusterer at production scale is hard: prompts cannot hold the entire label space, and per-document serial processing does not deliver the throughput real workloads require. We present RAILS, a retrieval-augmented incremental LLM clusterer that turns clustering into a simple loop over a growing label pool and scales through document batching with bounded concurrency. On six public benchmarks RAILS exceeds the strongest prior LLM-clustering method on average, lifting accuracy from 51.2% to 59.3%, NMI from 67.2% to 74.8%, and ARI from 45.4% to 54.7%. We further report production-deployment evidence from a SaaS ticket-topic-discovery pipeline, where RAILS has replaced a traditional HDBSCAN stage with higher clustering quality, transparent prompt-driven control, and stateful incremental operation.
• Abstract（参考訳）: プロンプトはラベル空間全体を保持することができず、ドキュメントごとのシリアル処理は実際のワークロードに必要なスループットを提供できません。 RAILSは,クラスタリングをラベルプール上の単純なループに変換し,文書のバッチ処理と並列化を並列化することでスケールする。 6つの公開ベンチマークにおいて、RAILSは平均して最強のLCMクラスタリング法を超え、51.2%から59.3%、NMIは67.2%から74.8%、ARIは45.4%から54.7%となっている。 さらに、RAILSが従来のHDBSCANステージをクラスタリング品質、透過的なプロンプト駆動制御、ステートフルなインクリメンタル操作に置き換えたSaaSチケット・トピック・ディスカバリーパイプラインの生産・デプロイ証拠を報告する。

関連論文リスト

• Annotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMs [104.11820606942855]
  Video-ORA-9Bは4,780ミリ秒ではなく130ミリ秒でデコードされる。 OraRLはモデルのサイズとデータでスケールし、バックボーンを0.8Bから9B、GRPOを最大100kのプロンプトに超える。
  論文  参考訳（メタデータ） (2026-08-20T18:28:19Z)
• Balancing Latency and Accuracy of Code Completion via Local-Cloud Model Cascading [12.379959412115062]
  ラインレベルのコード補完は、高い精度と低レイテンシのバランスを必要とする。 大規模言語モデル(LLM)は高品質な提案を提供するが、レイテンシが低いのに対して、小さな言語モデル(SLM)は高速だが最適ではないことが多い。 クラウドベースのLCMでローカルSLMをカスケードするMCComを提案する。
  論文  参考訳（メタデータ） (2026-03-06T07:15:36Z)
• Learning Hierarchical Procedural Memory for LLM Agents through Bayesian Selection and Contrastive Refinement [23.31711942240935]
  本稿では,外部階層型手続き型メモリにおいて,すべての適応を実行しながら,凍結した大言語モデルを維持することにより,推論を学習から切り離すフレームワークMACLAを提案する。 MACLAは、トラジェクトリーから再利用可能な手順を抽出し、ベイジアン後部を通して信頼性を追跡し、期待される実用性スコアリングを通じてアクションを選択し、成功と失敗を対比して手順を洗練する。 4つのベンチマーク(ALFWorld、WebShop、TravelPlanner、InterCode)でMACLAの平均パフォーマンスは78.1%で、すべてのベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-22T01:56:28Z)
• ESMC: MLLM-Based Embedding Selection for Explainable Multiple Clustering [79.69917150582633]
  MLLM(Multi-modal large language model)は、ユーザ主導のクラスタリングを実現するために利用することができる。 本手法はまず,MLLMのテキストトークンの隠蔽状態が対応する特徴と強く関連していることを明らかにする。 また、擬似ラベル学習を付加した軽量クラスタリングヘッドを採用し、クラスタリング精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-11-30T04:36:51Z)
• In-Context Clustering with Large Language Models [50.25868718329313]
  ICCは、注意機構を通じて入力間の複雑な関係をキャプチャする。 事前学習したLLMは、テキスト符号化された数値データに対して、印象的なゼロショットクラスタリング機能を示す。 我々の研究は、文脈内学習を教師なしの設定に拡張し、クラスタリングにおけるLLMの有効性と柔軟性を示します。
  論文  参考訳（メタデータ） (2025-10-09T17:07:55Z)
• LLM2LLM: Boosting LLMs with Novel Iterative Data Enhancement [79.31084387589968]
  事前訓練された大規模言語モデル(LLM)は、現在、自然言語処理タスクの大部分を解決するための最先端技術である。 LLM2LLMは、教師のLLMを使って小さなシードデータセットを強化するデータ拡張戦略である。 GSM8Kデータセットでは最大24.2%、CaseHOLDでは32.6%、SNIPSでは32.0%、TRECでは52.6%、SST-2では39.8%の改善が達成された。
  論文  参考訳（メタデータ） (2024-03-22T08:57:07Z)
• Large Language Models Enable Few-Shot Clustering [88.06276828752553]
  大規模言語モデルは、クエリ効率が良く、数発のセミ教師付きテキストクラスタリングを可能にするために、専門家のガイダンスを増幅できることを示す。 最初の2つのステージにLSMを組み込むことで、クラスタの品質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T09:17:11Z)

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。