論文の概要: GSum: A General Framework for Guided Neural Abstractive Summarization

• arxiv url: http://arxiv.org/abs/2010.08014v3
• Date: Mon, 19 Apr 2021 09:39:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 04:01:10.856236
• Title: GSum: A General Framework for Guided Neural Abstractive Summarization
• Title（参考訳）: GSum: ガイド付きニューラル抽象要約のための汎用フレームワーク
• Authors: Zi-Yi Dou, Pengfei Liu, Hiroaki Hayashi, Zhengbao Jiang, Graham Neubig
• Abstract要約: 本稿では,様々な外部ガイダンスを入力として効果的に活用できる汎用的かつガイド付き要約フレームワーク(GSum)を提案する。 実験により、このモデルが有効であることが示され、ROUGEによれば、4つの一般的な要約データセット上で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 102.29593069542976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural abstractive summarization models are flexible and can produce coherent summaries, but they are sometimes unfaithful and can be difficult to control. While previous studies attempt to provide different types of guidance to control the output and increase faithfulness, it is not clear how these strategies compare and contrast to each other. In this paper, we propose a general and extensible guided summarization framework (GSum) that can effectively take different kinds of external guidance as input, and we perform experiments across several different varieties. Experiments demonstrate that this model is effective, achieving state-of-the-art performance according to ROUGE on 4 popular summarization datasets when using highlighted sentences as guidance. In addition, we show that our guided model can generate more faithful summaries and demonstrate how different types of guidance generate qualitatively different summaries, lending a degree of controllability to the learned models.
• Abstract（参考訳）: ニューラルネットワークの抽象要約モデルは柔軟であり、一貫性のある要約を生成できるが、時には不利で制御が難しい。 前回の研究では、アウトプットを制御し、忠実度を高めるための異なるタイプのガイダンスを提供しようとしているが、これらの戦略がどのように比較し、対比するかは明らかになっていない。 本稿では,多種多様な外部ガイダンスを入力として効果的に活用できる汎用的かつ拡張可能なガイド付き要約フレームワーク(GSum)を提案する。 このモデルの有効性を実証する実験では,強調文を指導として使用する場合,4つの一般的な要約データセット上で,最先端のパフォーマンスを実現する。 さらに,本モデルがより忠実な要約を生成できることを示すとともに,異なる種類のガイダンスが定性的に異なる要約を生成し,学習モデルにある程度の制御性を与えることを示す。

関連論文リスト

• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Improving Factuality of Abstractive Summarization via Contrastive Reward Learning [77.07192378869776]
  本稿では,報酬学習と実効性指標の最近の発展を取り入れた,シンプルだが効果的なコントラスト学習フレームワークを提案する。 実証的研究により,提案手法により,実測値のフィードバックから要約モデルを学習できることが実証された。
  論文  参考訳（メタデータ） (2023-07-10T12:01:18Z)
• Salience Allocation as Guidance for Abstractive Summarization [61.31826412150143]
  本稿では, サリエンセ・サリエンス・ガイダンス(SEASON, SaliencE Allocation as Guidance for Abstractive SummarizatiON)を用いた新しい要約手法を提案する。 SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
  論文  参考訳（メタデータ） (2022-10-22T02:13:44Z)
• Improving the Faithfulness of Abstractive Summarization via Entity Coverage Control [27.214742188672464]
  エンティティカバレッジ制御(ECC)を用いたエンティティレベルの幻覚の治療法を提案する。 ECCはエンティティカバレッジの精度を計算し、トレーニング例ごとに対応する制御コードをプリペンドする。 提案手法は,教師付き微調整およびゼロショット設定において,より忠実かつ健全な抽象的要約をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-07-05T18:52:19Z)
• Sequence Level Contrastive Learning for Text Summarization [49.01633745943263]
  教師付き抽象テキスト要約のためのコントラスト学習モデルを提案する。 我々のモデルは、対照的な目的を伴わずに、それと比べ、より良い忠実度の評価を達成する。
  論文  参考訳（メタデータ） (2021-09-08T08:00:36Z)
• Aspect-Controllable Opinion Summarization [58.5308638148329]
  アスペクトクエリに基づいてカスタマイズした要約を生成する手法を提案する。 レビューコーパスを用いて、アスペクトコントローラで強化された(リビュー、サマリ)ペアの合成トレーニングデータセットを作成する。 合成データセットを用いて事前学習したモデルを微調整し、アスペクトコントローラを変更することでアスペクト固有の要約を生成する。
  論文  参考訳（メタデータ） (2021-09-07T16:09:17Z)
• Subjective Bias in Abstractive Summarization [11.675414451656568]
  主観的バイアスと同じ内容を要約する複数の表現の相違を定式化し、抽象的要約の文脈におけるこのバイアスの役割について検討する。 スタイルクラスタ化されたデータセットに基づいてトレーニングされた要約モデルの結果は、より収束性、抽象化、一般化につながるある種のスタイルが存在することを示している。
  論文  参考訳（メタデータ） (2021-06-18T12:17:55Z)
• Topic-Guided Abstractive Text Summarization: a Joint Learning Approach [19.623946402970933]
  本稿では,抽象テキスト要約のための新しいアプローチ,トピックガイドによる抽象要約を提案する。 ニューラルネットワークをTransformerベースのシーケンス・ツー・シーケンス(seq2seq)モデルに結合学習フレームワークに組み込むことが目的だ。
  論文  参考訳（メタデータ） (2020-10-20T14:45:25Z)
• Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven Cloze Reward [42.925345819778656]
  本稿では,グラフ拡張と意味駆動型RewarDによる抽象要約のための新しいフレームワークであるASGARDを紹介する。 本稿では,2つのエンコーダ(シーケンシャル文書エンコーダ)とグラフ構造化エンコーダ(グラフ構造化エンコーダ)の利用を提案する。 その結果、我々のモデルは、New York TimesとCNN/Daily Mailのデータセットからの入力として、知識グラフのない変種よりもはるかに高いROUGEスコアを生成することがわかった。
  論文  参考訳（メタデータ） (2020-05-03T18:23:06Z)

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。