論文の概要: Towards Faithful Neural Table-to-Text Generation with Content-Matching Constraints

• arxiv url: http://arxiv.org/abs/2005.00969v1
• Date: Sun, 3 May 2020 02:54:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 06:33:07.577256
• Title: Towards Faithful Neural Table-to-Text Generation with Content-Matching Constraints
• Title（参考訳）: コンテンツマッチング制約付き忠実なニューラルネットワークテーブル・ツー・テキスト生成に向けて
• Authors: Zhenyi Wang, Xiaoyang Wang, Bang An, Dong Yu, Changyou Chen
• Abstract要約: そこで本研究では,トランスフォーマーをベースとした新たな生成フレームワークを提案する。 忠実度を強制する手法の中核となる技術は、テーブル-テキストの最適トランスポート・マッチング・ロスである。 忠実度を評価するため,テーブル・ツー・テキスト生成問題に特化した新しい自動尺度を提案する。
• 参考スコア（独自算出の注目度）: 63.84063384518667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text generation from a knowledge base aims to translate knowledge triples to natural language descriptions. Most existing methods ignore the faithfulness between a generated text description and the original table, leading to generated information that goes beyond the content of the table. In this paper, for the first time, we propose a novel Transformer-based generation framework to achieve the goal. The core techniques in our method to enforce faithfulness include a new table-text optimal-transport matching loss and a table-text embedding similarity loss based on the Transformer model. Furthermore, to evaluate faithfulness, we propose a new automatic metric specialized to the table-to-text generation problem. We also provide detailed analysis on each component of our model in our experiments. Automatic and human evaluations show that our framework can significantly outperform state-of-the-art by a large margin.
• Abstract（参考訳）: 知識ベースからのテキスト生成は、知識トリプルを自然言語記述に変換することを目的としている。 既存の方法の多くは、生成されたテキスト記述と元のテーブルの間の忠実性を無視し、表の内容を超えた情報を生成する。 本稿では,この目的を達成するために,トランスフォーマーを用いた新しい生成フレームワークを提案する。 本手法のコア技術は,新しい表-テキスト最適-トランスポートマッチング損失と,トランスフォーマモデルに基づく表-テキスト埋め込み類似損失である。 さらに,信頼度を評価するために,テーブル・ツー・テキスト生成問題に特化した新しい自動計測法を提案する。 また、実験において、モデルの各コンポーネントについて詳細な分析を行う。 自動評価と人的評価は,我々のフレームワークが最先端の最先端を著しく上回ることを示す。

関連論文リスト

• PixT3: Pixel-based Table To Text generation [72.59315577559734]
  本稿では,線形化と入力サイズ制限の課題を克服するマルチモーダルテーブル・トゥ・テキスト・モデルPixT3を提案する。 ToTToとLogic2Textベンチマークの実験では、PixT3はテキストのみで動作するジェネレータよりも競争力があり、優れていることが示されている。
  論文  参考訳（メタデータ） (2023-11-16T11:32:47Z)
• Few-Shot Table-to-Text Generation with Prompt Planning and Knowledge Memorization [41.20314472839442]
  数ショット設定でテーブル・ツー・テキスト生成をターゲットとするPromptMizeという新しいフレームワークを提案する。 私たちのフレームワークの設計は、プロンプトプランナーと知識アダプタの2つの側面で構成されています。 本モデルは,人的・自動的な評価によって判断される品質を著しく向上させる。
  論文  参考訳（メタデータ） (2023-02-09T03:04:11Z)
• Towards Table-to-Text Generation with Pretrained Language Model: A Table Structure Understanding and Text Deliberating Approach [60.03002572791552]
  本稿では,テーブル構造理解とテキスト検討手法,すなわちTASDを提案する。 具体的には,表構造を考慮したテキスト生成モデルを実現するために,三層多層アテンションネットワークを考案する。 われわれのアプローチは、様々な種類のテーブルに対して忠実で流動的な記述テキストを生成することができる。
  論文  参考訳（メタデータ） (2023-01-05T14:03:26Z)
• Attend, Memorize and Generate: Towards Faithful Table-to-Text Generation in Few Shots [58.404516361586325]
  Few-shot table-to-text generation は、限られたデータを用いてテーブル内容を伝えるために、流動的で忠実な文を構成するタスクである。 本稿では,人間のテキスト生成プロセスに触発された新しい手法,覚醒と生成(AMG)を提案する。
  論文  参考訳（メタデータ） (2022-03-01T20:37:20Z)
• Transformer Models for Text Coherence Assessment [14.132559978971377]
  コヒーレンス(coherence)は、テキストの品質の重要な側面であり、その可読性を保証するために不可欠である。 これまでの研究は、エンティティベースの手法、構文パターン、談話関係、最近ではテキストコヒーレンスアセスメントのための従来のディープラーニングアーキテクチャを活用してきた。 バニラ変換器,階層変換器,マルチタスク学習モデル,ファクトベース入力表現モデルという4つの異なるトランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-05T22:27:17Z)
• Sketch and Refine: Towards Faithful and Informative Table-to-Text Generation [58.320248632121476]
  自己回帰世代と非自己回帰世代(SANA)を組み合わせた新しい2段階法を提案する。 提案手法は,(1)ソーステーブルからキートークンを選択するための自己回帰ポインタネットワークを用いた骨格生成,(2)反復挿入と削除操作によるテキスト生成のための編集ベースの非自己回帰生成モデルを含む。 骨格から厳しい制約を統合することで、非自己回帰モデルはソーステーブル上の生成のカバレッジを改善し、その忠実性を高める。
  論文  参考訳（メタデータ） (2021-05-31T08:18:13Z)
• Learning to Select Bi-Aspect Information for Document-Scale Text Content Manipulation [50.01708049531156]
  我々は、テキストスタイルの転送とは逆の文書スケールのテキストコンテンツ操作という、新しい実践的なタスクに焦点を当てる。 詳細は、入力は構造化されたレコードと、別のレコードセットを記述するための参照テキストのセットである。 出力は、ソースレコードセットの部分的内容と参照の書き込みスタイルを正確に記述した要約である。
  論文  参考訳（メタデータ） (2020-02-24T12:52:10Z)

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。