論文の概要: Automatic Related Work Generation: A Meta Study

• arxiv url: http://arxiv.org/abs/2201.01880v1
• Date: Thu, 6 Jan 2022 01:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 20:51:58.501443
• Title: Automatic Related Work Generation: A Meta Study
• Title（参考訳）: 自動関連作業生成:メタスタディ
• Authors: Xiangci Li and Jessica Ouyang
• Abstract要約: 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。 自動作業生成の課題は, 「関連作業」 セクションを自動生成することである。 本稿では,問題定式化,データセット収集,方法論的アプローチ,性能評価,今後の展望の観点から,関連作業生成に関する既存の文献をメタスタディで比較する。
• 参考スコア（独自算出の注目度）: 5.025654873456755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Academic research is an exploration activity to solve problems that have never been resolved before. By this nature, each academic research work is required to perform a literature review to distinguish its novelties that have not been addressed by prior works. In natural language processing, this literature review is usually conducted under the "Related Work" section. The task of automatic related work generation aims to automatically generate the "Related Work" section given the rest of the research paper and a list of cited papers. Although this task was proposed over 10 years ago, it received little attention until very recently, when it was cast as a variant of the scientific multi-document summarization problem. However, even today, the problems of automatic related work and citation text generation are not yet standardized. In this survey, we conduct a meta-study to compare the existing literature on related work generation from the perspectives of problem formulation, dataset collection, methodological approach, performance evaluation, and future prospects to provide the reader insight into the progress of the state-of-the-art studies, as well as and how future studies can be conducted. We also survey relevant fields of study that we suggest future work to consider integrating.
• Abstract（参考訳）: 学術研究は、これまで解決されたことのない問題を解決するための調査活動である。 この性質上、各学術研究活動は、先行研究が取り組んだことのない斬新さを区別するために、文献レビューを行う必要がある。 自然言語処理では、この文献レビューは「関連作業」のセクションで通常実施される。 自動関連作業生成のタスクは、研究論文の残りと引用論文のリストを与えられた「関連作業」セクションを自動的に生成することを目的としている。 この課題は10年以上前に提案されたが、科学的多文書要約問題の変種として紹介されるまでほとんど注目されなかった。 しかし、現在でも自動関連作業や引用テキスト生成の問題は標準化されていない。 本研究では,課題の定式化,データセットの収集,方法論的アプローチ,パフォーマンス評価,今後の展望などの観点から,関連するワークジェネレーションに関する既存の文献をメタスタディとして比較し,最先端研究の進展と今後の研究のあり方について読者の洞察を提供する。 また,今後の統合について検討すべき研究分野についても検討する。

関連論文リスト

• LLAssist: Simple Tools for Automating Literature Review Using Large Language Models [0.0]
  LLAssistは学術研究における文献レビューの合理化を目的としたオープンソースツールである。 レビュープロセスの重要な側面を自動化するために、Large Language Models(LLM)とNatural Language Processing(NLP)技術を使用する。
  論文  参考訳（メタデータ） (2024-07-19T02:48:54Z)
• Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
  検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。 本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
  論文  参考訳（メタデータ） (2024-07-17T20:01:21Z)
• A Survey of Imitation Learning Methods, Environments and Metrics [9.967130899041651]
  イミテーション・ラーニング(Imitation Learning)とは、エージェントが1人以上の教師のやり方を真似てタスクを実行する方法を学ぶアプローチである。 この学習アプローチは、新しいタスクを学ぶのに要する時間と、エージェントの教師のサンプルを集めるのに必要な労力の間に妥協をもたらす。 近年、模倣学習の分野は研究者から多くの注目を集めており、多くの新しい手法や応用が生み出されている。
  論文  参考訳（メタデータ） (2024-04-30T11:13:23Z)
• Related Work and Citation Text Generation: A Survey [12.039469573641217]
  文献レビューの執筆は 学術的にも計算的にも 自動的な関連作業生成を可能にします RWGは、SOTA自然言語処理(NLP)モデルの能力を調べるための優れたテストベッドである。 RWGタスクの最初の提案以来、主流のNLPアプローチの能力に従って、その人気は弱まり、衰えている。
  論文  参考訳（メタデータ） (2024-04-17T17:37:30Z)
• 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)
• A Survey on Retrieval-Augmented Text Generation [53.04991859796971]
  Retrieval-augmented text generationは顕著な利点があり、多くのNLPタスクで最先端のパフォーマンスを実現している。 まず、検索拡張生成の一般的なパラダイムを強調し、異なるタスクに応じて注目すべきアプローチをレビューする。
  論文  参考訳（メタデータ） (2022-02-02T16:18:41Z)
• Positioning yourself in the maze of Neural Text Generation: A Task-Agnostic Survey [54.34370423151014]
  本稿では, ストーリーテリング, 要約, 翻訳など, 世代ごとのタスクインパクトをリレーする手法の構成要素について検討する。 本稿では,学習パラダイム,事前学習,モデリングアプローチ,復号化,各分野における重要な課題について,命令的手法の抽象化を提案する。
  論文  参考訳（メタデータ） (2020-10-14T17:54:42Z)
• From Standard Summarization to New Tasks and Beyond: Summarization with Manifold Information [77.89755281215079]
  テキスト要約は、原文書の短く凝縮した版を作成することを目的とした研究分野である。 現実世界のアプリケーションでは、ほとんどのデータは平易なテキスト形式ではない。 本稿では,現実のアプリケーションにおけるこれらの新しい要約タスクとアプローチについて調査する。
  論文  参考訳（メタデータ） (2020-05-10T14:59:36Z)
• 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。

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。