論文の概要: CALLIOPE: Private Insights into AI Use, Without Embeddings

• arxiv url: http://arxiv.org/abs/2610.28797v1
• Date: Tue, 20 Oct 2026 18:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.119457
• Title: CALLIOPE: Private Insights into AI Use, Without Embeddings
• Title（参考訳）: CALLIOPE: 埋め込みなしでAIを活用
• Abstract要約: CALLIOPEは、非構造化データの大規模なコーパスでトピック階層を発見するためのトップダウンフレームワークである。 当社のフレームワークでは,パイプライン全体のLLM機能を直接活用しています。 従来研究されてきたクラスタリング指標を用いて,CALLIOPE出力の品質を評価する。
• 参考スコア（独自算出の注目度）: 78.44239300611072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce CALLIOPE, a top-down framework for discovering topic hierarchies in large corpora of unstructured data (e.g., LLM conversations), while supporting differential privacy (DP). Unlike traditional and even recent LLM-augmented approaches that ultimately rely on clustering vector embeddings, our framework leverages LLM capabilities directly for the entire pipeline. Experiments demonstrate that this approach provides better utility over existing (embedding-based) methods in the DP setting, especially in the high privacy regime. We evaluate the quality of CALLIOPE outputs using a variety of traditionally studied clustering metrics, as well as some novel utility metrics that we introduce.
• Abstract（参考訳）: CALLIOPEは、非構造化データ(例えばLLM会話)の大規模コーパスにおいてトピック階層を発見するためのトップダウンフレームワークであり、差分プライバシー(DP)をサポートしている。 クラスタリングベクターの埋め込みに最終的に依存する従来のLLM拡張アプローチとは異なり、我々のフレームワークはパイプライン全体に直接LLM機能を利用する。 実験により、このアプローチはDP設定、特に高プライバシー体制において、既存の(埋め込みベースの)メソッドよりも優れたユーティリティを提供することが示された。 CALLIOPEのアウトプットの品質は、従来研究されてきたクラスタリングのメトリクスと、導入したいくつかの新しいユーティリティのメトリクスを用いて評価する。

関連論文リスト

• Beyond Text-Dominance: Understanding Modality Preference of Omni-modal Large Language Models [73.89069781682032]
  我々は、Omni-Modal Large Language Models (OLLM) のモダリティ嗜好を定量化する。 従来のVLMの「テキスト・マディナンス」とは異なり、ほとんどのOLLMは視覚的嗜好が顕著である。 私たちの仕事は、機械的な理解と、より信頼できるOLLMを構築するための実践的なツールの両方を提供します。
  論文  参考訳（メタデータ） (2026-04-18T08:25:52Z)
• ClusterFusion: Hybrid Clustering with Embedding Guidance and LLM Adaptation [52.794544682493814]
  大規模言語モデル(LLM)は、強いコンテキスト推論を提供するが、以前の作業では、組み込みを洗練したりクラスタ境界を調整するために、主に補助モジュールとして使用していた。 本稿では,LLMをクラスタリングコアとして扱うハイブリッドフレームワークであるClusterFusionを提案する。 3つの公開ベンチマークと2つの新しいドメイン固有のデータセットの実験は、ClusterFusionが標準的なタスクで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-12-04T00:49:43Z)
• FuDoBa: Fusing Document and Knowledge Graph-based Representations with Bayesian Optimisation [43.56253799373878]
  本稿では,LLMに基づく埋め込みとドメイン固有の構造化知識を統合したベイズ最適化に基づくFuDoBaを紹介する。 この融合は、訓練の複雑さを減らし、解釈可能な早期融合重みを生み出すとともに、低次元のタスク関連表現を生成する。 2つの領域における6つのデータセットに対するアプローチの有効性を実証し、提案した表現学習アプローチが、プロプライエタリなLCMベースの埋め込みベースラインでのみ生成されるものと同程度に、あるいは超えていることを示す。
  論文  参考訳（メタデータ） (2025-07-09T07:49:55Z)
• Urania: Differentially Private Insights into AI Use [102.27238986985698]
  $Urania$は、クラスタリング、パーティション選択、ヒストグラムベースの要約といったDPツールを活用することによって、エンドツーエンドのプライバシ保護を提供する。 結果は、厳密なユーザのプライバシを維持しながら、意味のある会話の洞察を抽出するフレームワークの能力を示している。
  論文  参考訳（メタデータ） (2025-06-05T07:00:31Z)
• LLM4FS: Leveraging Large Language Models for Feature Selection [4.039099719779964]
  大規模言語モデル(LLM)の最近の進歩は、意思決定に新たな機会をもたらした。 従来のデータ駆動方式とLCMを統合したLSM4FSというハイブリッド戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-31T14:40:31Z)

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。