Newest papers

CALLIOPE: Private Insights into AI Use, Without Embeddings

Edith Cohen, Vadym Doroshenko, Badih Ghazi, Charlie Harrison, Pritish Kamath, Alexander Knop, Ravi Kumar, Ethan Leeman · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28797 · open-access PDF

Vietnamese

Chúng tôi giới thiệu CALLIOPE, một khuôn khổ từ trên xuống để khám phá các hệ thống phân cấp chủ đề trong một tập hợp lớn dữ liệu không có cấu trúc (ví dụ, các cuộc hội thoại LLM), đồng thời hỗ trợ quyền riêng tư khác biệt (DP). Không giống như các phương pháp LLM tăng cường truyền thống và thậm chí gần đây mà cuối cùng dựa vào việc nhúng vector, khuôn khổ của chúng tôi tận dụng khả năng LLM trực tiếp cho toàn bộ đường ống. Các thí nghiệm cho thấy phương pháp này cung cấp tiện ích tốt hơn so với các phương pháp hiện có (dựa trên nhúng) trong thiết lập DP, đặc biệt là trong chế độ quyền riêng tư cao.

Machine translation (Meta M2M100); the English original follows.

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

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange