論文の概要: LLM-Guided Cluster Lifecycle Management: Deciding When and How to Evolve Behavioral Clusters
- arxiv url: http://arxiv.org/abs/2611.17616v1
- Date: Fri, 13 Nov 2026 00:34:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.281141
- Title: LLM-Guided Cluster Lifecycle Management: Deciding When and How to Evolve Behavioral Clusters
- Title(参考訳): LLM-Guided Cluster Lifecycle Management:いつ,どのように行動クラスタを進化させるか
- Abstract要約: 本研究では,大規模言語モデル (LLM) がライフサイクル決定を行う代替手法について検討する。
有用な信号チャネルはラベルの情報量に依存するため、我々は事前にリッチネス条件のポリシーを修正します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Behavioral clusters learned over user or item interactions drift as behavior evolves: some fragment into sub-behaviors, some converge, some disappear, and new patterns emerge. Two paradigms dominate the maintenance of evolving clusterings. Threshold triggers fire a pre-specified action when a hardcoded statistic crosses a cutoff; refit-and-track (MONIC-style) re-clusters every window and infers transitions from how the new clusters align with the previous window's. Both hardwire the decision into a threshold or a re-clustering rule. We study an alternative in which a large language model (LLM) makes the lifecycle decision in place. Given a threshold-free, whole-population view of the current cluster set (statistical health, labels, member texts, residual mass), the LLM decides per cluster whether and how to act (split, merge, retire, create, or no-action) without re-clustering. Because the useful signal channel depends on how informative the labels are, we fix a richness-conditioned policy in advance: statistics when label distinctiveness is low, fused statistics+semantics when it is high. On three public datasets spanning label richness (YooChoose 0.17, MOOC 0.50, News-Category 0.70), the policy-selected LLM mode obtains the highest F1 on all three, with far fewer interventions and stronger restraint than tuned threshold heuristics and a MONIC steelman (paired Wilcoxon p <= 0.003, bootstrap 95% CIs excluding zero). The gain is concentrated more in precision than recall. The useful modality shifts from statistics to semantics/fusion as richness rises. Semantics hurt on YooChoose, fusion is roughly neutral on MOOC, and the semantic channel is required on News. One base prompt template and one fixed policy serve all three datasets, whereas the tuned baseline collapses when moved between them. We treat this shift as a practitioner diagnostic observed on three datasets, not a validated law.
- Abstract(参考訳): ユーザやアイテムのインタラクションを通じて学んだ行動クラスタは、振る舞いが進化するにつれて漂う — サブ振る舞いに断片化され、一部が収束し、一部が消滅し、新たなパターンが出現する。
2つのパラダイムが、進化するクラスタリングのメンテナンスを支配している。
Thresholdは、ハードコードされた統計データがカットオフを横切ると、事前に特定されたアクションをトリガーし、リフィット・アンド・トラック(monICスタイル)がすべてのウィンドウを再クラスタ化し、新しいクラスタが前のウィンドウとどのように一致しているかから遷移を推測する。
どちらも決定をしきい値または再クラスタングルールにハードワイヤする。
本研究では,大規模言語モデル (LLM) がライフサイクル決定を行う代替手法について検討する。
現在のクラスタセット(統計的健康、ラベル、メンバテキスト、残質量)のしきい値のない全人口ビューが与えられた後、LCMはクラスタ毎に再クラスタ化することなく、どのように振る舞うか(分割、マージ、リタイア、生成、非アクション)を判断する。
有用な信号チャネルはラベルがどの程度情報的であるかに依存するため、ラベルの識別性が低い場合の統計や、高い場合は融合統計+セマンティックスといったリッチネス条件のポリシーを事前に修正する。
ラベルの豊かさにまたがる3つの公開データセット(YooChoose 0.17, MOOC 0.50, News-Category 0.70)では、ポリシー選択されたLCMモードは、調整された閾値ヒューリスティックスとMONICスチールマン(P<=0.003, ブートストラップ95% CIsを除く)よりもはるかに少ない介入と強い拘束力で、全ての3つの上で最高F1を得る。
利得はリコールよりも高精度に集中している。
有用なモダリティは、豊かさが増すにつれて統計学から意味論/融合へとシフトする。
YooChooseではセマンティクスが損なわれ、MOOCでは核融合はほぼ中立であり、Newsではセマンティクスチャネルが要求される。
1つのベースプロンプトテンプレートと1つの固定ポリシーは3つのデータセットすべてに役立ち、チューニングされたベースラインはそれらの間を移動すると崩壊する。
我々はこの変化を、3つのデータセットで観察された実践的診断として扱い、検証された法則ではない。
関連論文リスト
- Zero-Shot Active Feature Acquisition via LLM-Elicitation [33.792645413345845]
大規模言語モデル(LLM)は教師なしのドメイン知識を提供するが、シーケンシャルプランナーは乏しい。
我々は、規律的な勧誘を通じてゼロショットAFAのためのフレームワークを開発する。
フレームワークをバイナリ分類とトップ$kの識別という2つの設定に適用します。
論文 参考訳(メタデータ) (2026-06-17T11:15:38Z) - Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。
NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2026-03-27T11:34:41Z) - Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。
スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
論文 参考訳(メタデータ) (2025-03-11T01:45:42Z) - Unsupervised Gait Recognition with Selective Fusion [10.414364995179556]
教師なし歩行認識(Unsupervised Gait Recognition, UGR)を提案する。
クラスタレベルのコントラスト学習でUGRを解決するための,新しいクラスタベースベースラインを導入する。
SCF(Selective Cluster Fusion)とSSF(Selective Sample Fusion)を組み合わせたSelective Fusion法を提案する。
論文 参考訳(メタデータ) (2023-03-19T21:34:20Z) - TD3 with Reverse KL Regularizer for Offline Reinforcement Learning from
Mixed Datasets [118.22975463000928]
エージェントが複数の行動ポリシーをロールアウトすることで収集したデータセットから学習する必要があるオフライン強化学習(RL)について考察する。
1) RL信号の最適化と行動クローニング(BC)信号の最適なトレードオフは、異なる行動ポリシーによって引き起こされる行動カバレッジの変化によって異なる状態に変化する。
本稿では,TD3アルゴリズムに基づくBC正規化器として,適応重み付き逆KL(Kulback-Leibler)分散を用いることにより,両課題に対処する。
論文 参考訳(メタデータ) (2022-12-05T09:36:23Z) - Meta Clustering Learning for Large-scale Unsupervised Person
Re-identification [124.54749810371986]
メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。
MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。
提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
論文 参考訳(メタデータ) (2021-11-19T04:10:18Z) - PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。
本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。
本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
論文 参考訳(メタデータ) (2021-05-22T18:07:56Z) - Improving Semi-supervised Federated Learning by Reducing the Gradient
Diversity of Models [67.66144604972052]
Federated Learning(FL)は、ユーザのプライバシを維持しながらモバイルデバイスのコンピューティングパワーを使用する、有望な方法だ。
テスト精度に影響を与える重要な問題は、異なるユーザーからのモデルの勾配の多様性であることを示す。
本稿では,FedAvg平均化を代替するグループモデル平均化手法を提案する。
論文 参考訳(メタデータ) (2020-08-26T03:36:07Z)
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。