CALLIOPE 是一个自上而下的框架，用于在大规模非结构化数据（如 LLM 对话）中发现主题层次结构，并且在整个过程里提供差分隐私保障。传统方法以及近期的 LLM 辅助方案通常先把文本映射为向量嵌入，再进行聚类；而 CALLIOPE 直接调用大模型的推理能力完成主题划分、层级构建和隐私噪声注入，无需生成或存储嵌入向量。
实验表明，在差分隐私设置下，尤其是隐私预算较低的高隐私场景，CALLIOPE 相比基于嵌入的基线在实用性上有显著提升。我们使用常见的聚类评价指标（如轮廓系数、NMI）以及本文提出的若干新颖实用性度量对输出质量进行评估。
点评