論文の概要: TREC 2020 Podcasts Track Overview
- arxiv url: http://arxiv.org/abs/2103.15953v1
- Date: Mon, 29 Mar 2021 20:58:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:47:07.863455
- Title: TREC 2020 Podcasts Track Overview
- Title(参考訳): TREC 2020 Podcastsのトラックオーバービュー
- Authors: Rosie Jones, Ben Carterette, Ann Clifton, Maria Eskevich, Gareth J. F.
Jones, Jussi Karlgren, Aasish Pappu, Sravana Reddy, Yongze Yu
- Abstract要約: ポッドキャストトラックは、2020年のText Retrieval Conference (TREC)で新しくなった。
トラックは、セグメント検索と要約の2つの共有タスクで構成された。
深層学習は検索実験と要約の両方において主要な実験的アプローチであった。
トラックは同じ2つのタスクでTREC 2021に戻り、参加者からのフィードバックに応じて若干の変更を加える。
- 参考スコア(独自算出の注目度): 13.310301831814579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Podcast Track is new at the Text Retrieval Conference (TREC) in 2020. The
podcast track was designed to encourage research into podcasts in the
information retrieval and NLP research communities. The track consisted of two
shared tasks: segment retrieval and summarization, both based on a dataset of
over 100,000 podcast episodes (metadata, audio, and automatic transcripts)
which was released concurrently with the track. The track generated
considerable interest, attracted hundreds of new registrations to TREC and
fifteen teams, mostly disjoint between search and summarization, made final
submissions for assessment. Deep learning was the dominant experimental
approach for both search experiments and summarization. This paper gives an
overview of the tasks and the results of the participants' experiments. The
track will return to TREC 2021 with the same two tasks, incorporating slight
modifications in response to participant feedback.
- Abstract(参考訳): Podcast Trackは、2020年のText Retrieval Conference (TREC)で発表された。
ポッドキャストトラックは、情報検索とNLP研究コミュニティにおけるポッドキャストの研究を促進するために設計された。
トラックは2つの共有タスク、セグメント検索と要約で構成されており、どちらもトラックと同時にリリースされた10万以上のポッドキャストエピソード(メタデータ、オーディオ、自動書き起こし)のデータセットに基づいている。
このトラックは興味を惹き、TRECに数百の新規登録を惹きつけ、15のチームは探索と要約をほぼ切り離し、最終的な評価を提出した。
深層学習は検索実験と要約の両方において主要な実験的アプローチであった。
本稿では,課題の概要と参加者の実験結果について述べる。
トラックは同じ2つのタスクでTREC 2021に戻り、参加者からのフィードバックに応じて若干の変更を加える。
関連論文リスト
- EchoTrack: Auditory Referring Multi-Object Tracking for Autonomous
Driving [67.82112360246025]
聴覚参照マルチオブジェクトトラッキング(AR-MOT)は、自律運転において難しい問題である。
音声やビデオのセマンティックモデリング能力が不足しているため、既存の研究は主にテキストベースの多目的追跡に焦点を当てている。
私たちは、デュアルストリーム・ビジョン・トランスフォーマーを備えたエンドツーエンドのAR-MOTフレームワークであるEchoTrackを提案しました。
論文 参考訳(メタデータ) (2024-02-28T12:50:16Z) - Perception Test 2023: A Summary of the First Challenge And Outcome [67.0525378209708]
最初のパーセプションテストは、IEEE/CVF International Conference on Computer Vision (ICCV) 2023と共に半日間のワークショップとして開催された。
目標は、最近提案されたPerception Testベンチマークで最先端のビデオモデルをベンチマークすることであった。
このレポートでは、タスク記述、メトリクス、ベースライン、結果について要約しています。
論文 参考訳(メタデータ) (2023-12-20T15:12:27Z) - ICDAR 2023 Competition on Structured Text Extraction from Visually-Rich
Document Images [198.35937007558078]
大会は2022年12月30日に開かれ、2023年3月24日に閉幕した。
トラック1には35人の参加者と91人の有効な応募があり、トラック2には15人の参加者と26人の応募がある。
提案手法の性能によると, 複雑なシナリオやゼロショットシナリオにおいて, 期待される情報抽出性能にはまだ大きなギャップがあると考えられる。
論文 参考訳(メタデータ) (2023-06-05T22:20:52Z) - ICDAR 2023 Video Text Reading Competition for Dense and Small Text [61.138557702185274]
我々は,ビデオ中の高密度・小型のテキスト読解課題に焦点を当てた,ビデオテキスト読解ベンチマークDSTextを構築した。
提案したデータセットは、以前のデータセットと比較すると、主に3つの新しい課題を含んでいる。
提案したDSTextには、12のオープンシナリオから100のビデオクリップが含まれており、2つのタスク(例えば、ビデオテキストトラッキング(Task 1)と、エンドツーエンドのビデオテキストスポッティング(Task2)をサポートする。
論文 参考訳(メタデータ) (2023-04-10T04:20:34Z) - Towards Abstractive Grounded Summarization of Podcast Transcripts [33.268079036601634]
ポッドキャストの書き起こしの要約は、コンテンツ提供者と消費者の両方にとって実用的な利益である。
これは、コンシューマーがポッドキャストを聴くかどうかを素早く判断し、要約を書くためのコンテンツプロバイダの負荷を減らすのに役立つ。
しかし、ポッドキャストの要約は、入力に関する事実上の矛盾を含む重大な課題に直面している。
論文 参考訳(メタデータ) (2022-03-22T02:44:39Z) - Overview of the TREC 2020 Fair Ranking Track [64.16623297717642]
本稿は、NIST TREC 2020 Fair Ranking trackの概要を示す。
フェア・ランキング・トラックの中心的な目標は、様々な作家グループに公正な露出を提供することである。
論文 参考訳(メタデータ) (2021-08-11T10:22:05Z) - Spotify at TREC 2020: Genre-Aware Abstractive Podcast Summarization [4.456617185465443]
この挑戦の目的は、ポッドキャストエピソードに存在する重要な情報を含む短く有益な要約を生成することでした。
ジャンルと名前付きエンティティを明確に考慮した2つの要約モデルを提案する。
我々のモデルは抽象的であり、創造者が提供する記述を根拠となる真実の要約として利用している。
論文 参考訳(メタデータ) (2021-04-07T18:27:28Z) - CUED_speech at TREC 2020 Podcast Summarisation Track [1.776746672434207]
ポッドキャストのエピソードが書き起こされ、そのゴールはコンテンツの中で最も重要な情報をキャプチャーする要約を生成することである。
提案手法は,(1)階層的モデルに着目して書き起こし中の冗長文や情報の少ない文をフィルタリングすること,(2)シーケンスレベルの報酬関数を用いたPodcastデータに,最先端のテキスト要約システム(BART)を微調整すること,の2段階からなる。
本システムは,TREC 2020 Podcast TrackにおけるSpotify Podcast Summarisation Challengeで人的および自動評価で優勝した。
論文 参考訳(メタデータ) (2020-12-04T11:32:55Z) - LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。
我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。
この技術的レポートは、課題のハイライトを要約している。
論文 参考訳(メタデータ) (2020-10-17T13:06:12Z) - PodSumm -- Podcast Audio Summarization [0.0]
テキストドメインからのガイダンスを用いて,ポッドキャストの要約を自動的に作成する手法を提案する。
このタスクにはデータセットが不足しているため、内部データセットをキュレートし、データ拡張の効果的なスキームを見つけ、アノテータから要約を集めるためのプロトコルを設計する。
本手法は, ROUGE-F(1/2/L) スコア0.63/0.53/0.63をデータセット上で達成する。
論文 参考訳(メタデータ) (2020-09-22T04:49:33Z) - A Baseline Analysis for Podcast Abstractive Summarization [18.35061145103997]
本稿では,Spotify Podcastデータセットを用いたポッドキャスト要約のベースライン解析について述べる。
研究者が現在の最先端の事前訓練モデルを理解するのを助け、より良いモデルを作るための基盤を構築することを目的としている。
論文 参考訳(メタデータ) (2020-08-24T18:38:42Z)
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。