単語意味誘導（Word Sense Induction: WSI）または単語の複数の意味を自動的に発見するタスクには、3つの主要な課題があります。それは、ドメイン適応性、新規意味検出、および意味粒度の柔軟性です。現在の潜在変数モデルは最初の2つの課題を解決することが知られていますが、単語間で大きく異なる意味粒度に対して柔軟ではありません。例えば、「アーダルバーグ」のような単一の意味を持つ単語から、「play」のように50以上の意味を持つ単語まで、その範囲は広いです。現行モデルでは、ハイパーパラメータ調整や非パラメトリックな意味数の誘導が必要となりますが、これらはいずれも効果的ではないと我々は考えています。したがって、これらの要件を排除し、意味粒度問題を解決するために、AutoSenseという潜在変数モデルを提案します。このモデルは以下の2つの観察に基づいています。(1) 意味はトピック上の分布として表現される。(2) 意味は対象単語とその周辺単語とのペアリングを生成する。これらの観察により、(a) 不要な意味を除去し、(b) 更に細かい粒度の単語意味を誘導することが可能になります。結果は、一般的なWSIデータセットにおいて最先端モデルに対する大幅な改善を示しています。また、AutoSenseが単語の適切な意味粒度を学習できることも示しました。最後に、意味粒度問題がより明確に表れる非監督的な著者名解消タスクにAutoSenseを適用し、競合するモデルよりも優れていることを証明しました。我々はデータとコードを以下で共有しています: https://github.com/rktamplayo/AutoSense。この翻訳では、専門用語や技術的概念について正確に翻訳し、日本語の科技ニュースや学術論文における表現方法に合わせました。また、文章全体が自然で流暢になるよう配慮し、形式的かつ客観的な書き方で表現しています。原文との内容の一貫性も保ちつつ、日本語読者の理解しやすさにも配慮しました。