論文の概要: Segment-Level Agentic Topic Modeling for Improved Data Exploration and Resource Efficiency

• arxiv url: http://arxiv.org/abs/2609.31460v1
• Date: Fri, 25 Sep 2026 16:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.48397
• Title: Segment-Level Agentic Topic Modeling for Improved Data Exploration and Resource Efficiency
• Title（参考訳）: データ探索と資源効率向上のためのセグメントレベルエージェントトピックモデリング
• Abstract要約: 本稿では,セグメンテーションレベルのトピック生成とエージェントフィードバックループによるトピック改善を併用したSeLATMというフレームワークを提案する。 様々なデータセットに対する実験結果から,SeLATMはトピック割り当てプロセスに基づく手法と比較して,LLMリソースを著しく削減することが示された。
• 参考スコア（独自算出の注目度）: 1.633272850273525
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Topic modeling is an effective technique for discovering hidden themes within documents and is widely used in text mining and data analysis across a variety of industry sectors. Recently, large language model (LLM)-based topic models have been emerged that prompt LLMs to generate topics then assign the topics to documents, producing more natural and human-readable topics than conventional topic modeling algorithms. However, the nature of topic assignment process causes certain drawbacks, such as the incapability to produce topic distributions over a document, too broad or narrow topics, and high resource consumption, which increases with the number and length of of documents being assigned topics. These issues are particularly critical for industrial applications, which require high-quality, in-depth analysis and the processing of large volumes of documents. In this context, this paper introduces a framework called SeLATM, which addresses these concerns by employing segment-level topic generation and topic refinement through agentic feedback loops. Experimental results on various datasets demonstrate that SeLATM significantly reduces the LLM resources compared to methods based on topic assignment process, while maintaining superior performance.
• Abstract（参考訳）: トピックモデリングは文書内の隠れテーマを発見するための効果的な手法であり、テキストマイニングやデータ分析に広く用いられている。 近年,大規模言語モデル (LLM) に基づくトピックモデルが出現し, LLM がトピックを生成し,文書にトピックを割り当て,従来のトピックモデリングアルゴリズムよりも自然で可読なトピックを生成するようになった。 しかし、トピック割り当てプロセスの性質は、ドキュメント上のトピック分布を生成できない、広すぎる、狭いトピック、リソース消費など、特定の欠点を引き起こし、割り当てられたトピックの数と長さが増加する。 これらの問題は、高品質で詳細な分析と大量の文書の処理を必要とする産業アプリケーションにとって特に重要である。 本稿では,セグネチャレベルのトピック生成とエージェントフィードバックループによるトピック改善を活用することで,これらの問題に対処するSeLATMというフレームワークを提案する。 各種データセットに対する実験結果から,SeLATMはトピック割当プロセスに基づく手法に比べてLLMリソースを著しく削減し,優れた性能を維持した。

関連論文リスト

• MALTopic: Multi-Agent LLM Topic Modeling Framework [2.1182259123493243]
  トピックモデリングを特殊タスクに分解するマルチエージェントLLMトピックモデリングフレームワーク(MALTopic)を提案する。 構造化データの統合とマルチエージェントアプローチを用いることで、MALTopicはコンテキスト関連性を高めた人間可読トピックを生成する。
  論文  参考訳（メタデータ） (2026-01-07T06:32:59Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• Topic-Guided Reinforcement Learning with LLMs for Enhancing Multi-Document Summarization [49.61589046694085]
  マルチドキュメント要約におけるコンテンツ選択を改善するためのトピック誘導型強化学習手法を提案する。 まず、トピックラベル付きモデルに明示的にプロンプトすることで、生成した要約の情報性が向上することを示す。
  論文  参考訳（メタデータ） (2025-09-11T21:01:54Z)
• How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
  大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。 メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
  論文  参考訳（メタデータ） (2025-04-10T16:14:55Z)
• Towards Text-Image Interleaved Retrieval [49.96332254241075]
  テキスト画像検索(TIIR)タスクを導入し、クエリと文書をインターリーブしたテキスト画像シーケンスとする。 我々は、自然にインターリーブされたwikiHowチュートリアルに基づいてTIIRベンチマークを構築し、インターリーブされたクエリを生成するために特定のパイプラインを設計する。 異なる粒度で視覚トークンの数を圧縮する新しいMMEを提案する。
  論文  参考訳（メタデータ） (2025-02-18T12:00:47Z)
• LITA: An Efficient LLM-assisted Iterative Topic Augmentation Framework [0.0]
  大きな言語モデル(LLM)は動的トピックの洗練と発見の可能性を秘めている。 これらの課題に対処するため、LLM支援反復トピック拡張フレームワーク(LITA)を提案する。 LITAは、ユーザが提供するシードと埋め込みベースのクラスタリングと反復的な改良を統合している。
  論文  参考訳（メタデータ） (2024-12-17T01:43:44Z)
• Interactive Topic Models with Optimal Transport [75.26555710661908]
  ラベル名監視型トピックモデリングのためのアプローチとして,EdTMを提案する。 EdTMは、LM/LLMベースのドキュメントトピック親和性を活用しながら、代入問題としてのトピックモデリングをモデル化する。
  論文  参考訳（メタデータ） (2024-06-28T13:57:27Z)
• Thread: A Logic-Based Data Organization Paradigm for How-To Question Answering with Retrieval Augmented Generation [65.45017060706266]
  ハウツー質問は意思決定に不可欠であり、動的でステップバイステップのレスポンスを必要とする。 我々は,ハウツー質問をより効果的に処理できる新しいデータ組織パラダイムThreadを提案する。 具体的には、「論理単位」(LU)という新たな知識を導入し、大きな言語モデルによって文書をより構造化され、疎結合なLUに変換する。
  論文  参考訳（メタデータ） (2024-06-19T09:14:41Z)
• Large Language Models Offer an Alternative to the Traditional Approach of Topic Modelling [0.9095496510579351]
  広範テキストコーパス内の話題を明らかにする代替手段として,大規模言語モデル (LLM) の未解決の可能性について検討する。 本研究は, 適切なプロンプトを持つLCMが, トピックのタイトルを生成でき, トピックを洗練, マージするためのガイドラインに固執する上で, 有効な代替手段として目立たせることを示唆している。
  論文  参考訳（メタデータ） (2024-03-24T17:39:51Z)
• Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations [35.74225306947918]
  本研究では, PLM 埋め込みを基盤とした空間学習とクラスタリングの連携フレームワークを提案する。 提案モデルでは,トピック発見のためにPLMがもたらす強力な表現力と言語的特徴を効果的に活用する。
  論文  参考訳（メタデータ） (2022-02-09T17:26:08Z)

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。