論文の概要: Constrained Abstractive Summarization: Preserving Factual Consistency with Constrained Generation

• arxiv url: http://arxiv.org/abs/2010.12723v2
• Date: Thu, 16 Dec 2021 05:20:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 12:45:40.431095
• Title: Constrained Abstractive Summarization: Preserving Factual Consistency with Constrained Generation
• Title（参考訳）: 制約付き抽象要約:制約付き生成による事実整合性の維持
• Authors: Yuning Mao, Xiang Ren, Heng Ji, Jiawei Han
• Abstract要約: 本稿では,抽象要約の現実的一貫性を保ちつつ,制約付き抽象要約(CAS)を提案する。 我々は、CASを満たすために、一般的に自己回帰生成モデルに適用される語彙制約付き復号法を採用する。 対話的要約において1つの手動制約のみを使用する場合、最大13.8ROUGE-2ゲインを観測する。
• 参考スコア（独自算出の注目度）: 93.87095877617968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite significant progress, state-of-the-art abstractive summarization methods are still prone to hallucinate content inconsistent with the source document. In this paper, we propose Constrained Abstractive Summarization (CAS), a general setup that preserves the factual consistency of abstractive summarization by specifying tokens as constraints that must be present in the summary. We adopt lexically constrained decoding, a technique generally applicable to autoregressive generative models, to fulfill CAS and conduct experiments in two scenarios: (1) automatic summarization without human involvement, where keyphrases are extracted from the source document and used as constraints; (2) human-guided interactive summarization, where human feedback in the form of manual constraints are used to guide summary generation. Automatic and human evaluations on two benchmark datasets demonstrate that CAS improves both lexical overlap (ROUGE) and factual consistency of abstractive summarization. In particular, we observe up to 13.8 ROUGE-2 gains when only one manual constraint is used in interactive summarization.
• Abstract（参考訳）: 著しい進歩にもかかわらず、最先端の抽象要約手法は、ソース文書と矛盾するコンテンツを幻覚的に表現する傾向にあります。 本稿では,要約に必要となる制約としてトークンを指定することにより,抽象要約の事実整合性を維持するための一般的な設定である抽象要約(CAS)を提案する。 自己回帰型生成モデルに一般的に適用される手法である語彙制約付き復号法を用いて,(1)ソース文書からキーフレーズを抽出して制約として使用する人間の関与のない自動要約,(2)手動制約の形で人間のフィードバックを要約生成に利用するヒューマンガイド型インタラクティブ要約という2つのシナリオにおいて,casを実践し,実験を行う。 2つのベンチマークデータセットの自動評価と人的評価により、CASは語彙重なり(ROUGE)と抽象的な要約の現実的一貫性の両方を改善していることが示された。 特に,対話的要約において1つの手動制約のみを使用する場合,最大13.8ROUGE-2ゲインを観測する。

関連論文リスト

• 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)
• How Ready are Pre-trained Abstractive Models and LLMs for Legal Case Judgement Summarization? [4.721618284417204]
  近年、抽象的な要約モデルが人気を集めている。 法的なドメイン固有の事前訓練された抽象要約モデルが利用可能になった。 汎用ドメイン事前訓練大型言語モデル(LLM)は高品質なテキストを生成することが知られている。
  論文  参考訳（メタデータ） (2023-06-02T03:16:19Z)
• 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)
• Controllable Summarization with Constrained Markov Decision Process [50.04321779376415]
  本研究では,ユーザが特定の属性を制御できる可制御テキスト要約について検討する。 制約付きマルコフ決定プロセス(CMDP)に基づく新しいトレーニングフレームワークを提案する。 我々のフレームワークは、長さ、被覆された実体、抽象性など、要約の重要な属性を制御するために応用できる。
  論文  参考訳（メタデータ） (2021-08-07T09:12:53Z)
• Evaluating the Tradeoff Between Abstractiveness and Factuality in Abstractive Summarization [20.83986393847262]
  複数のデータセットやモデル間で生成された要約の抽象性と事実性のトレードオフを分析する。 抽象性の度合いを調節する新しい事実性指標を提案する。
  論文  参考訳（メタデータ） (2021-08-05T21:28:20Z)
• EASE: Extractive-Abstractive Summarization with Explanations [18.046254486733186]
  情報ボトルネック原理に基づく説明可能な要約システムを提案する。 人間が長い文書をまとめるために2段階の枠組みを使用するという以前の研究に触発されて、私たちのフレームワークは最初に説明として事前に定義された証拠の量を抽出します。 生成した要約の質を著しく犠牲にすることなく、我々のフレームワークからの説明は単純なベースラインよりも適切であることを示す。
  論文  参考訳（メタデータ） (2021-05-14T17:45:06Z)
• The Summary Loop: Learning to Write Abstractive Summaries Without Examples [21.85348918324668]
  本研究は,与えられた長さ制約に対するカバレッジとフラエンシの組み合わせを最大化することに基づく,教師なし抽象的要約に対する新しいアプローチを提案する。 主要な用語は元のドキュメントから隠蔽され、現在の生成された要約を使ってカバレッジモデルで満たされなければならない。 一般的なニュース要約データセットでテストすると、従来の教師なし手法よりも2R-1ポイント以上性能が向上する。
  論文  参考訳（メタデータ） (2021-05-11T23:19:46Z)
• 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)
• Enhancing Factual Consistency of Abstractive Summarization [57.67609672082137]
  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。
  論文  参考訳（メタデータ） (2020-03-19T07:36:10Z)

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。