論文の概要: Similar but Not Redundant: Embedding-Gated Refinement for High-Granularity Topic Models
- arxiv url: http://arxiv.org/abs/2611.17030v1
- Date: Thu, 12 Nov 2026 16:17:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.548033
- Title: Similar but Not Redundant: Embedding-Gated Refinement for High-Granularity Topic Models
- Title(参考訳): 類似しているが冗長ではない:高グラニュラ性トピックモデルに対する埋め込み型リファインメント
- Abstract要約: 高粒度トピックモデリングはコーパスから数百のニッチトピックを抽出する。
このフレーミングは、意味的に似ているが意味的に異なるトピックと真の冗長性を混同している、と我々は主張する。
どちらも高粒度設定では十分ではなく,埋め込み式反復マージを提案する。
- 参考スコア(独自算出の注目度): 0.7391823486666542
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-granularity topic modelling extracts hundreds of niche topics from a corpus, yet this regime is rarely studied and is more commonly framed as a failure mode: "over-clustering," in which coherent themes fragment into redundant subtopics. We argue that this framing conflates genuine redundancy with topics that are semantically similar but meaningfully distinct, and that the central challenge in high-granularity modelling is separating the two. Recent post-hoc refinement methods address topic redundancy through either embedding-based similarity thresholding or LLM-guided merging. We show that neither suffices in high-granularity settings and propose embedding-gated iterative merge (EGIM), a hybrid approach that iteratively generates context-rich topic representations, uses embedding similarity to propose candidate merges across the topic space, then applies LLM judgement to accept only genuinely redundant pairs while preserving niche distinctions. Across two patent corpora and one legal corpus, LLM judgement rejects 83% of embedding-identified candidates as non-redundant. EGIM improves discriminability on merged topics by 25-55% over a prior iterative LLM baseline while better preserving the original topic distribution.
- Abstract(参考訳): 高粒度トピックモデリングはコーパスから数百のニッチトピックを抽出するが、このレジームは研究されることは稀であり、より一般的には失敗モード(over-clustering)と呼ばれる。
このフレーミングは、意味的に類似しているが意味的に異なるトピックと真の冗長性を融合させ、高粒度モデリングにおける中心的な課題は2つを分離することである、と我々は主張する。
組込み型類似性しきい値設定法とLCM誘導型マージによる話題の冗長性に対処する最近のポストホックリファインメント法
高粒度設定ではどちらも十分ではなく、文脈に富んだトピック表現を反復的に生成するハイブリッドアプローチEGIM( Embedding-gated Iterative merge)を提案し、トピック空間全体にわたる候補マージの提案に埋め込み類似性を使用し、LLM判定を真に冗長なペアのみを受け入れながら、ニッチな区別を保ちながら、真に冗長なペアのみを受け入れるように適用する。
2つの特許コーパスと1つの法的コーパスにまたがって、LLMの判断は、埋め込み特定候補の83%を非冗長として拒絶する。
EGIMは、統合されたトピックの識別性を、以前の反復LDMベースラインよりも25~55%向上し、元のトピック分布の保存性が向上する。
関連論文リスト
- TopicMerge: A Divide and Conquer Approach to Topic Modeling [8.668012341094494]
本稿では,最先端クラスタリング性能と計算効率を実現するための,新しいマルチステージパイプラインであるTopicMergeを紹介する。
BillsとWikiデータセットの実験によると、TopicMergeは最先端のクラスタリングのパフォーマンスを実現し、必要なLarge Language Modelコールを92%以上削減している。
論文 参考訳(メタデータ) (2026-10-14T00:01:35Z) - Beyond Chain-of-Thought: Rewrite as a Universal Interface for Generative Multimodal Embeddings [32.702215732070826]
MLLM(Multimodal Large Language Models)は、ユニバーサルなマルチモーダル埋め込みのための有望な基盤として登場した。
近年の研究では、推論駆動型生成多モード埋め込みは、複数の埋め込みタスクにおける識別的埋め込みよりも優れていることが示されている。
Rewrite-driven Multimodal Embedding (RIME)を提案する。
論文 参考訳(メタデータ) (2026-04-24T06:50:11Z) - Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。
クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
論文 参考訳(メタデータ) (2026-04-07T13:18:31Z) - PRISM: Purified Representation and Integrated Semantic Modeling for Generative Sequential Recommendation [28.629759086187352]
本稿では,PRISMとPureified RepresentationとIntegrated Semantic Modelingを組み合わせた新しい生成レコメンデーションフレームワークを提案する。
PRISMは4つの実世界のデータセットで、最先端のベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2026-01-23T08:50:16Z) - Enhancing Retrieval-Augmented Generation with Topic-Enriched Embeddings: A Hybrid Approach Integrating Traditional NLP Techniques [0.0]
本研究は,用語ベースの信号と話題構造を文脈文の埋め込みと統合したトピック強化埋め込みを提案する。
項レベルのセマンティクスとトピックレベルのセマンティクスを併用することにより、トピックに富んだ埋め込みはセマンティクスクラスタリングを改善し、検索精度を高め、計算負担を軽減する。
論文 参考訳(メタデータ) (2025-12-31T13:43:57Z) - UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。
階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。
我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
論文 参考訳(メタデータ) (2025-09-19T17:29:25Z) - Topic Identification in LLM Input-Output Pairs through the Lens of Information Bottleneck [0.0]
幾何学的クラスタリングのための決定論的情報ボトルネック(DIB)に基づく基本的トピック識別手法を開発した。
我々の重要な貢献は、DIB法を計算効率の良い上界を持つ難解なKL発散項に代えて、高次元データのための実用的なアルゴリズムに変換することである。
論文 参考訳(メタデータ) (2025-08-26T20:00:51Z) - Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。
これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。
提案手法は他の最先端アルゴリズムに対して好適に機能する。
論文 参考訳(メタデータ) (2024-05-15T00:17:48Z) - Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。
このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。
公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-05-22T03:27:46Z) - A Proposition-Level Clustering Approach for Multi-Document Summarization [82.4616498914049]
クラスタリングアプローチを再検討し、より正確な情報アライメントの提案をグループ化します。
提案手法は,有意な命題を検出し,それらをパラフラスティックなクラスタに分類し,その命題を融合して各クラスタの代表文を生成する。
DUC 2004 とTAC 2011 データセットでは,従来の最先端 MDS 法よりも要約法が優れている。
論文 参考訳(メタデータ) (2021-12-16T10:34:22Z)
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。