論文の概要: Automated Keyword Generation Using LLMs in a High-Volume Data Virtualization Service

• arxiv url: http://arxiv.org/abs/2610.41893v1
• Date: Fri, 30 Oct 2026 15:34:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.79176
• Title: Automated Keyword Generation Using LLMs in a High-Volume Data Virtualization Service
• Title（参考訳）: LLMを用いた高速データ仮想化サービスにおけるキーワードの自動生成
• Abstract要約: 現代的なデータインフラストラクチャでは、データ仮想化サービス(DVS)によって、さまざまな処理タスクのために、多くのバージョンのソースデータセットを作成できる。 DVSで有効な検索エンジンを有効にするためには、仮想データセットごとにキーワードを自動的に生成することが望ましい。 大規模言語モデル(LLM)による処理のためのテキストデータの異なるコレクションを選択するための5つの戦略を提案する。
• 参考スコア（独自算出の注目度）: 3.5628290588986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern data infrastructure, a data virtualization service (DVS) allows users to create many versions of source datasets for different processing tasks. For example, a multivariate or multi-modality dataset can be used for different machine learning tasks (e.g., classification, detection, segmentation, forecasting, and so on). Data selection, participation, integration, and preprocessing in different tasks result in many virtual datasets [Khan et al., SSC 2026]. Meanwhile, different users need to discover existing virtual datasets frequently and easily to avoid duplicate efforts. To enable an effective search engine in a DVS, it is desirable to automatically generate keywords for each virtual dataset. In this work, we present a solution for generating keywords for virtual datasets using large language models (LLMs). We propose five strategies for selecting different collections of text data for processing by the LLMs. We applied the five strategies to virtual datasets created in five application case studies with different source datasets. We conducted experiments with three LLM generators and two embedding techniques. The experiments show that the performances of the five strategies depend on the quality of the text descriptions. The results help us adopt a multi-strategy implementation of a new keyword generation service (KGS) as part of an extended DVS. The work demonstrates that the capability of automated keyword generation is indispensable for a high-volume DVS that is dataset-rich and frequently accessed.
• Abstract（参考訳）: 現代的なデータインフラストラクチャでは、データ仮想化サービス(DVS)によって、さまざまな処理タスクのために、多くのバージョンのソースデータセットを作成できる。 例えば、多変量または多変量データセットは、さまざまな機械学習タスク(例えば、分類、検出、セグメンテーション、予測など)に使用することができる。 データの選択、参加、統合、異なるタスクでの事前処理は、多くの仮想データセット(Khan et al , SSC 2026]をもたらす。 一方、重複回避のためには、既存の仮想データセットを頻繁に、容易に発見する必要がある。 DVSで有効な検索エンジンを有効にするためには、仮想データセットごとにキーワードを自動的に生成することが望ましい。 本研究では,大規模言語モデル(LLM)を用いた仮想データセットのキーワード生成手法を提案する。 LLMによる処理のためのテキストデータの異なるコレクションを選択するための5つの戦略を提案する。 異なるソースデータセットを用いた5つのアプリケーションケーススタディで作成された仮想データセットに対して、5つの戦略を適用した。 3つのLLMジェネレータと2つの埋め込み技術を用いて実験を行った。 実験の結果,5つの戦略のパフォーマンスはテキスト記述の品質に依存することがわかった。 その結果、拡張DVSの一部として、新しいキーワード生成サービス(KGS)のマルチストラテジー実装を採用するのに役立ちます。 この研究は、データセットが豊富で頻繁にアクセスされる高ボリュームのDVSには、自動キーワード生成の能力が不可欠であることを示している。

関連論文リスト

• More with Less: a Large Scale Remote Sensing VLM with a Simple Recipe [52.210953881548996]
  遠隔センシングベンチマークに挑戦することで,視覚言語モデルが競争力や最先端のパフォーマンスを達成可能であることを示す。 我々のモデルは、テキストで直接答えるか、セグメント化とグラウンド化のためにローカライズツールを呼び出すことができる単一の言語ポリシーを使用する。 提案手法は,高分解能,マルチテンポラル,マルチモーダル,マルチビュータスクを含む,幅広いベンチマークの競合性を実現する。
  論文  参考訳（メタデータ） (2026-07-17T13:25:44Z)
• Adapt-$\infty$: Scalable Continual Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
  Adapt-$infty$は、生涯のインストラクションチューニングのための、新しいマルチウェイおよびアダプティブなデータ選択アプローチである。 勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。 セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。 このデータセレクタは、トレーニングのために各スキルクラスタから最も重要なサンプルのサブセットをサンプリングする。
  論文  参考訳（メタデータ） (2024-10-14T15:48:09Z)
• Curriculum Learning with Quality-Driven Data Selection [6.794629387975326]
  OpenAIのGPT-4は、MLLM(Multimodal Large Language Models)の開発に多大な関心を集めている。 画像とテキストの相関とモデルパープレクシリティを利用して、様々な品質のデータを評価し、選択する新しいデータ選択手法を提案する。
  論文  参考訳（メタデータ） (2024-06-27T07:20:36Z)
• An Automatic Prompt Generation System for Tabular Data Tasks [3.117741687220381]
  大規模言語モデル(LLM)は、慎重に構築されたプロンプトを通じて、いくつかのタスクでその能力を実証している。 本稿では,複数のLDMに適した革新的オートプロンプト生成システムを提案する。
  論文  参考訳（メタデータ） (2024-05-09T08:32:55Z)
• LUCID: LLM-Generated Utterances for Complex and Interesting Dialogues [38.6183579217801]
  バーチャルアシスタントは、対話機能に関して飛躍的に前進する可能性がある。 しかし、真にトランスフォーメーションされたタスク指向の対話機能を実現するための大きなボトルネックは、高品質なデータの不足である。 LUCIDを使用して、100の意図にまたがる4,277の会話のシードデータセットを生成し、その能力を実証しています。
  論文  参考訳（メタデータ） (2024-03-01T11:33:53Z)
• SEED: Domain-Specific Data Curation With Large Language Models [22.54280367957015]
  LLM-as-compilerアプローチであるSEEDは,Large Language Models(LLM)を介して,ドメイン固有のデータキュレーションソリューションを自動的に生成する。 SEEDは、4つのLCMアシストモジュールから自動的に選択し、そのタスクに最も適したハイブリッド実行パイプラインを形成する。
  論文  参考訳（メタデータ） (2023-10-01T17:59:20Z)
• Diffusion Model is an Effective Planner and Data Synthesizer for Multi-Task Reinforcement Learning [101.66860222415512]
  Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。 生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2023-05-29T05:20:38Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Multi-modal AsynDGAN: Learn From Distributed Medical Image Data without Sharing Private Information [55.866673486753115]
  プライバシーとセキュリティを守るために拡張可能で弾力性のある学習フレームワークを提案します。 提案するフレームワークは分散Asynchronized Discriminator Generative Adrial Networks (AsynDGAN) である。
  論文  参考訳（メタデータ） (2020-12-15T20:41:24Z)

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。