Fugu-MT 論文翻訳(概要): The Current State of Summarization

論文の概要: The Current State of Summarization

arxiv url: http://arxiv.org/abs/2305.04853v2
Date: Tue, 1 Aug 2023 17:42:59 GMT
ステータス: 処理完了
システム内更新日: 2023-08-02 17:36:44.085346
Title: The Current State of Summarization
Title（参考訳）: 要約の現状
Authors: Fabian Retkowski
Abstract要約: 本研究は,抽象テキスト要約における技術の現状を簡潔に示すことを目的としている。本稿では,事前学習したエンコーダデコーダモデルと大規模自己回帰言語モデルへの現在のパラダイムシフトについて概説する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the explosive growth of textual information, summarization systems have become increasingly important. This work aims to concisely indicate the current state of the art in abstractive text summarization. As part of this, we outline the current paradigm shifts towards pre-trained encoder-decoder models and large autoregressive language models. Additionally, we delve further into the challenges of evaluating summarization systems and the potential of instruction-tuned models for zero-shot summarization. Finally, we provide a brief overview of how summarization systems are currently being integrated into commercial applications.
Abstract（参考訳）: テキスト情報の爆発的増加に伴い、要約システムはますます重要になっている。本研究の目的は,抽象的テキスト要約における芸術の現況を簡潔に示すことにある。そこで,本研究では,プリトレーニングエンコーダ・デコーダモデルと大規模自己回帰型言語モデルへのパラダイムシフトについて概説する。さらに,要約システム評価の課題や,ゼロショット要約のための命令調整モデルの可能性についても検討する。最後に,現在商用アプリケーションに統合されている要約システムの概要を紹介する。

関連論文リスト

Controllable Topic-Focused Abstractive Summarization [57.8015120583044]
制御された抽象的な要約は、特定の側面をカバーするために、ソース記事の凝縮したバージョンを作成することに焦点を当てる。本稿では,トピックに着目した要約を生成可能なトランスフォーマーアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-11-12T03:51:38Z)
Improving Factuality of Abstractive Summarization via Contrastive Reward Learning [77.07192378869776]
本稿では,報酬学習と実効性指標の最近の発展を取り入れた,シンプルだが効果的なコントラスト学習フレームワークを提案する。実証的研究により,提案手法により,実測値のフィードバックから要約モデルを学習できることが実証された。
論文参考訳（メタデータ） (2023-07-10T12:01:18Z)
Factually Consistent Summarization via Reinforcement Learning with Textual Entailment Feedback [57.816210168909286]
我々は,この問題を抽象的な要約システムで解くために,テキストエンテーメントモデルの最近の進歩を活用している。我々は、事実整合性を最適化するために、レファレンスフリーのテキストエンターメント報酬を用いた強化学習を用いる。自動測定と人的評価の両結果から,提案手法は生成した要約の忠実さ,サリエンス,簡潔さを著しく向上させることが示された。
論文参考訳（メタデータ） (2023-05-31T21:04:04Z)
SummIt: Iterative Text Summarization via ChatGPT [12.966825834765814]
本稿では,ChatGPTのような大規模言語モデルに基づく反復的なテキスト要約フレームワークSummItを提案する。我々のフレームワークは、自己評価とフィードバックによって生成された要約を反復的に洗練することを可能にする。また, 繰り返し改良の有効性を検証し, 過補正の潜在的な問題を特定するために, 人間の評価を行う。
論文参考訳（メタデータ） (2023-05-24T07:40:06Z)
Enriching and Controlling Global Semantics for Text Summarization [11.037667460077813]
トランスフォーマーに基づくモデルは、流動的で情報的な要約を作成することで抽象的な要約タスクに有効であることが証明されている。文書のグローバルな意味を捉えるために,正規化フローを付与したニューラルトピックモデルを導入し,それを要約モデルに統合する。本手法は,5つの共通テキスト要約データセットにおいて,最先端の要約モデルより優れる。
論文参考訳（メタデータ） (2021-09-22T09:31:50Z)
StreamHover: Livestream Transcript Summarization and Annotation [54.41877742041611]
ライブストリームの書き起こしを注釈付けして要約するフレームワークであるStreamHoverを紹介します。合計500時間以上のビデオに抽出的要約と抽象的要約を併用したベンチマークデータセットは,既存の注釈付きコーパスよりもはるかに大きい。我々のモデルはより一般化され、強力なベースラインよりも性能が向上することを示す。
論文参考訳（メタデータ） (2021-09-11T02:19:37Z)
Dialogue Summarization with Supporting Utterance Flow Modeling and Fact Regularization [58.965859508695225]
本稿では、2つの新しいモジュールを用いた対話要約のためのエンドツーエンドニューラルネットワークを提案する。サポートされた発話フローモデリングは、前者の発話から後者へのフォーカスを円滑にシフトさせることで、コヒーレントな要約を生成するのに役立つ。事実の正則化は、モデルトレーニング中に生成された要約は、基礎と真実の要約と実際に一致するように促します。
論文参考訳（メタデータ） (2021-08-03T03:09:25Z)
Semantic Extractor-Paraphraser based Abstractive Summarization [40.05739160204135]
本稿では,意味的重複を利用した抽出-パラフレーザーベース抽象要約システムを提案する。私達のモデルはROUGE、METEORおよび単語の類似性(WMS)の点では最先端のベースラインを上回ります。
論文参考訳（メタデータ） (2021-05-04T05:24:28Z)
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)

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。