Fugu-MT 論文翻訳(概要): Generating Related Work

論文の概要: Generating Related Work

arxiv url: http://arxiv.org/abs/2104.08668v1
Date: Sun, 18 Apr 2021 00:19:37 GMT
ステータス: 処理完了
システム内更新日: 2021-04-23 04:25:40.996926
Title: Generating Related Work
Title（参考訳）: 関連作業の生成
Authors: Darsh J Shah and Regina Barzilay
Abstract要約: 論文引用の動機を否定しながら,関連する作業セクションの生成をモデル化する。我々のモデルは、いくつかの強力な最先端の要約モデルとマルチドキュメントの要約モデルより優れている。
参考スコア（独自算出の注目度）: 37.161925758727456
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Communicating new research ideas involves highlighting similarities and differences with past work. Authors write fluent, often long sections to survey the distinction of a new paper with related work. In this work we model generating related work sections while being cognisant of the motivation behind citing papers. Our content planning model generates a tree of cited papers before a surface realization model lexicalizes this skeleton. Our model outperforms several strong state-of-the-art summarization and multi-document summarization models on generating related work on an ACL Anthology (AA) based dataset which we contribute.
Abstract（参考訳）: 新しい研究アイデアを伝えるには、過去の仕事と類似点や相違点を強調する必要がある。著者は、新しい論文と関連する作品の区別を調査するために、しばしば長いセクションを書きます。本研究では,論文引用の背後にある動機を否定しながら,関連する作業セクションの生成をモデル化する。我々のコンテンツプランニングモデルは、表面実現モデルがこの骨格をレキシカル化する前に引用された論文のツリーを生成する。 ACLアンソロジー(ACL Anthology, AA)に基づくデータセットの関連作業を生成する上で, 最先端の要約モデルや多文書要約モデルよりも優れている。

関連論文リスト

GINopic: Topic Modeling with Graph Isomorphism Network [0.8962460460173959]
本稿では,グラフ同型ネットワークに基づく話題モデリングフレームワークGINopicを紹介し,単語間の相関関係を捉える。本稿では,既存のトピックモデルと比較してGINopicの有効性を実証し,トピックモデリングの進歩の可能性を明らかにする。
論文参考訳（メタデータ） (2024-04-02T17:18:48Z)
Peek Across: Improving Multi-Document Modeling via Cross-Document Question-Answering [49.85790367128085]
我々は,事前学習対象に答える新しいクロスドキュメント質問から,汎用的なマルチドキュメントモデルを事前学習する。この新規なマルチドキュメントQA定式化は、クロステキスト情報関係をよりよく回復させるようモデルに指示する。分類タスクや要約タスクに焦点を当てた従来のマルチドキュメントモデルとは異なり、事前学習対象の定式化により、短いテキスト生成と長いテキスト生成の両方を含むタスクを実行できる。
論文参考訳（メタデータ） (2023-05-24T17:48:40Z)
Target-aware Abstractive Related Work Generation with Contrastive Learning [48.02845973891943]
関連作業部は学術論文の重要な構成要素であり、参考論文の文脈における対象論文の貢献を強調している。既存の作業部生成手法の多くは、既成の文章を抽出することに依存している。本稿では,新たな文からなる関連作業区間を生成できる抽象的目標認識関連作業生成装置(TAG)を提案する。
論文参考訳（メタデータ） (2022-05-26T13:20:51Z)
CORWA: A Citation-Oriented Related Work Annotation Dataset [4.740962650068886]
自然言語処理では、通常「関連作業」という節で文献レビューが行われる。我々はCORWAラベルを自動的にタグ付けする強力なベースラインモデルをトレーニングする。そこで本研究では,ヒューマン・イン・ザ・ループ,反復的,抽象的関連作業生成のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-05-07T00:23:46Z)
Multi-Vector Models with Textual Guidance for Fine-Grained Scientific Document Similarity [11.157086694203201]
本稿では, 微粒な面のマッチングに基づく新しい科学的文書類似性モデルを提案する。本モデルは,テキスト管理の新たな形態として,関連論文の側面を記述した共引用文脈を用いて学習する。
論文参考訳（メタデータ） (2021-11-16T11:12:30Z)
Topic-Guided Abstractive Multi-Document Summarization [21.856615677793243]
多文書要約(MDS)の重要なポイントは、様々な文書間の関係を学習することである。異種グラフとして複数の文書を表現できる新しい抽象MDSモデルを提案する。我々は、クロスドキュメントセマンティックユニットとして機能する潜在トピックを共同で発見するために、ニューラルトピックモデルを採用している。
論文参考訳（メタデータ） (2021-10-21T15:32:30Z)
What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
論文参考訳（メタデータ） (2020-11-06T02:23:01Z)
Leveraging Graph to Improve Abstractive Multi-Document Summarization [50.62418656177642]
我々は、文書のよく知られたグラフ表現を活用することができる、抽象的多文書要約(MDS)モデルを開発する。本モデルでは,長い文書の要約に欠かせない文書間関係を捉えるために,文書の符号化にグラフを利用する。また,このモデルでは,要約生成プロセスの導出にグラフを利用することが可能であり,一貫性と簡潔な要約を生成するのに有用である。
論文参考訳（メタデータ） (2020-05-20T13:39:47Z)
Explaining Relationships Between Scientific Documents [55.23390424044378]
本稿では,2つの学術文書間の関係を自然言語テキストを用いて記述する課題に対処する。本稿では154K文書から622Kサンプルのデータセットを作成する。
論文参考訳（メタデータ） (2020-02-02T03:54:47Z)

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。