論文の概要: PoBRL: Optimizing Multi-Document Summarization by Blending Reinforcement Learning Policies

• arxiv url: http://arxiv.org/abs/2105.08244v1
• Date: Tue, 18 May 2021 02:55:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 14:01:35.717397
• Title: PoBRL: Optimizing Multi-Document Summarization by Blending Reinforcement Learning Policies
• Title（参考訳）: PoBRL:Blending Reinforcement Learning Policiesによる多文書要約の最適化
• Authors: Andy Su, Difei Su, John M.Mulvey, H.Vincent Poor
• Abstract要約: マルチドキュメントの要約を解くための強化学習ベースのフレームワーク PoBRL を提案する。 私たちの戦略は、この多対象最適化を、強化学習によって個別に解決できるさまざまなサブ問題に分離します。 実験結果から,複数のマルチドキュメントデータセットにおける最先端の性能を示す。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel reinforcement learning based framework PoBRL for solving multi-document summarization. PoBRL jointly optimizes over the following three objectives necessary for a high-quality summary: importance, relevance, and length. Our strategy decouples this multi-objective optimization into different subproblems that can be solved individually by reinforcement learning. Utilizing PoBRL, we then blend each learned policies together to produce a summary that is a concise and complete representation of the original input. Our empirical analysis shows state-of-the-art performance on several multi-document datasets. Human evaluation also shows that our method produces high-quality output.
• Abstract（参考訳）: 多文書要約を解くための新しい強化学習フレームワークPoBRLを提案する。 PoBRLは、高品質な要約に必要な3つの目的、すなわち重要性、妥当性、長さを共同で最適化する。 我々の戦略は、この多目的最適化を、強化学習によって個別に解ける様々なサブプロブレムに分解する。 PoBRLを利用して、学習した各ポリシーをブレンドして、元の入力の簡潔で完全な表現である要約を生成する。 実験結果から,複数のマルチドキュメントデータセットにおける最先端の性能を示す。 また,本手法が高品質な出力を生成することを示す。

関連論文リスト

• Multi-Dimensional Optimization for Text Summarization via Reinforcement Learning [12.083649916114402]
  本研究では,4次元にまたがるバランスの取れた要約を生成するために,多目的強化学習を提案する。 従来のROUGEベースの報酬が参照サマリーに依存しているのとは違って、QAベースの報酬モデルが人間の好みに合わせている。 提案手法は, 代表的な要約データセットのベースラインモデルと比較して, かなりの性能向上を達成した。
  論文  参考訳（メタデータ） (2024-06-01T05:15:12Z)
• Towards an Information Theoretic Framework of Context-Based Offline Meta-Reinforcement Learning [48.79569442193824]
  我々は,COMRLアルゴリズムが,タスク変数$M$と,その潜在表現$Z$の相互情報目的を,様々な近似境界を実装して最適化していることを示す。 本研究は,COMRL法の情報理論基盤を構築し,強化学習の文脈におけるタスク表現学習の理解を深める。
  論文  参考訳（メタデータ） (2024-02-04T09:58:42Z)
• PELMS: Pre-training for Effective Low-Shot Multi-Document Summarization [4.6493060043204535]
  PELMSは,簡潔で流動的で忠実な要約を生成する事前学習モデルである。 我々は9300万以上のドキュメントを含むマルチドキュメント事前学習コーパスであるMultiPTをコンパイルし、300万以上の未ラベルのトピック中心のドキュメントクラスタを形成する。 我々のアプローチは、全体的な情報性、抽象性、一貫性、忠実性に関して、競争比較を一貫して上回る。
  論文  参考訳（メタデータ） (2023-11-16T12:05:23Z)
• Unsupervised Multi-document Summarization with Holistic Inference [41.58777650517525]
  本稿では,教師なし多文書抽出要約のための新しい総合的枠組みを提案する。 サブセット代表指数(SRI)は、原文からの文のサブセットの重要性と多様性のバランスをとる。 その結果,多文書要約性能の向上には多様性が不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-08T02:56:30Z)
• Inverse Reinforcement Learning for Text Summarization [52.765898203824975]
  本稿では,抽象的な要約モデルを学習するための効果的なパラダイムとして,逆強化学習(IRL)を導入する。 異なる領域におけるデータセット間の実験結果は、MLEおよびRLベースラインに対する要約のための提案したIRLモデルの優位性を示す。
  論文  参考訳（メタデータ） (2022-12-19T23:45:05Z)
• Evaluating and Improving Factuality in Multimodal Abstractive Summarization [91.46015013816083]
  そこで我々は,CLIPBERTScoreを提案する。 ゼロショットにおけるこの2つの指標の単純な組み合わせは、文書要約のための既存の事実度指標よりも高い相関性が得られることを示す。 本分析は,CLIPBERTScoreとそのコンポーネントの信頼性と高い相関性を示す。
  論文  参考訳（メタデータ） (2022-11-04T16:50:40Z)
• Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
  目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。 既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。 モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
  論文  参考訳（メタデータ） (2020-11-19T22:35:31Z)
• SummPip: Unsupervised Multi-Document Summarization with Sentence Graph Compression [61.97200991151141]
  SummPipはマルチドキュメント要約のための教師なしの手法である。 元の文書を文グラフに変換し、言語表現と深層表現の両方を考慮に入れます。 次に、スペクトルクラスタリングを適用して複数の文のクラスタを取得し、最後に各クラスタを圧縮して最終的な要約を生成する。
  論文  参考訳（メタデータ） (2020-07-17T13:01:15Z)

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。