論文の概要: Enhancing Factual Consistency of Abstractive Summarization
- arxiv url: http://arxiv.org/abs/2003.08612v8
- Date: Mon, 15 Mar 2021 00:40:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 04:15:29.010426
- Title: Enhancing Factual Consistency of Abstractive Summarization
- Title（参考訳）: 抽象要約のファクチュアル整合性向上
- Authors: Chenguang Zhu, William Hinthorn, Ruochen Xu, Qingkai Zeng, Michael
Zeng, Xuedong Huang, Meng Jiang
- Abstract要約: ファクトアウェアな要約モデル FASum を提案し,実情関係を抽出し,要約生成プロセスに統合する。
次に,既存のシステムから生成した要約から事実誤りを自動的に補正する事実補正モデルFCを設計する。
- 参考スコア（独自算出の注目度）: 57.67609672082137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic abstractive summaries are found to often distort or fabricate facts
in the article. This inconsistency between summary and original text has
seriously impacted its applicability. We propose a fact-aware summarization
model FASum to extract and integrate factual relations into the summary
generation process via graph attention. We then design a factual corrector
model FC to automatically correct factual errors from summaries generated by
existing systems. Empirical results show that the fact-aware summarization can
produce abstractive summaries with higher factual consistency compared with
existing systems, and the correction model improves the factual consistency of
given summaries via modifying only a few keywords.
- Abstract（参考訳）: 自動抽象要約は、記事の事実を歪めたり、形成したりすることが多い。
この要約と原文の矛盾は、その適用性に大きな影響を与えている。
本稿では,グラフ注目による要約生成プロセスに事実関係を抽出・統合するために,事実認識型要約モデルfasumを提案する。
次に,既存のシステムから生成した要約から事実誤りを自動的に補正する事実補正モデルFCを設計する。
経験的な結果から,事実認識要約は,既存のシステムに比べて事実整合性が高い抽象要約を生成でき,補正モデルは,数個のキーワードのみを修飾することで,与えられた要約の事実整合性を向上させる。
関連論文リスト
- FIZZ: Factual Inconsistency Detection by Zoom-in Summary and Zoom-out Document [6.726343173201447]
そこで本研究では,Zoom-in概要とZoom-out文書による現実的不整合検出の高精度かつ解釈可能な手法を提案する。
我々は、アダプティブ展開を通じて、要約から得られた原子事実とソース文書とを一致させる。
実験結果から,提案手法が既存システムより有意に優れていることが示された。
論文 参考訳（メタデータ） (2024-04-17T09:01:02Z) - AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。
提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
論文 参考訳（メタデータ） (2023-11-16T02:56:29Z) - Factually Consistent Summarization via Reinforcement Learning with
Textual Entailment Feedback [57.816210168909286]
我々は,この問題を抽象的な要約システムで解くために,テキストエンテーメントモデルの最近の進歩を活用している。
我々は、事実整合性を最適化するために、レファレンスフリーのテキストエンターメント報酬を用いた強化学習を用いる。
自動測定と人的評価の両結果から,提案手法は生成した要約の忠実さ,サリエンス,簡潔さを著しく向上させることが示された。
論文 参考訳（メタデータ） (2023-05-31T21:04:04Z) - Interpretable Automatic Fine-grained Inconsistency Detection in Text
Summarization [56.94741578760294]
本研究の目的は, 要約中の事実誤りの微粒化を予測し, 微粒化不整合検出の課題を提案することである。
要約における現実的不整合の検査方法に触発され,解析可能な微粒不整合検出モデルであるFinGrainFactを提案する。
論文 参考訳（メタデータ） (2023-05-23T22:11:47Z) - Questioning the Validity of Summarization Datasets and Improving Their
Factual Consistency [14.974996886744083]
SummFCは,事実整合性を改善したフィルタされた要約データセットである。
我々は,データセットが要約システムの開発と評価のための有効なベンチマークとなるべきだと論じている。
論文 参考訳（メタデータ） (2022-10-31T15:04:20Z) - Correcting Diverse Factual Errors in Abstractive Summarization via
Post-Editing and Language Model Infilling [56.70682379371534]
提案手法は, 誤要約の修正において, 従来手法よりもはるかに優れていることを示す。
我々のモデルであるFactEditは、CNN/DMで11点、XSumで31点以上のファクトリティスコアを改善する。
論文 参考訳（メタデータ） (2022-10-22T07:16:19Z) - Improving Factual Consistency of Abstractive Summarization via Question
Answering [25.725873545789046]
要約における事実整合性に対処するアプローチを提案する。
まず,実体整合性を測定するための効率的な自動評価指標を提案する。
次に,モデル学習時に提案するメトリックを最大化する新しい学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T19:07:21Z) - Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。
我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。
実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
論文 参考訳（メタデータ） (2020-10-06T02:51:02Z)
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。