Fugu-MT 論文翻訳(概要): Supervising the Centroid Baseline for Extractive Multi-Document Summarization

論文の概要: Supervising the Centroid Baseline for Extractive Multi-Document Summarization

arxiv url: http://arxiv.org/abs/2311.17771v1
Date: Wed, 29 Nov 2023 16:11:45 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 20:45:20.993068
Title: Supervising the Centroid Baseline for Extractive Multi-Document Summarization
Title（参考訳）: 抽出多文書要約のためのセントロイドベースラインの監督
Authors: Sim\~ao Gon\c{c}alves, Gon\c{c}alo Correia, Diogo Pernes, Afonso Mendes
Abstract要約: セントロイド法は抽出多文書要約の簡単な方法である。文選択にビームサーチプロセスを加えて改良し、さらにセントロイド推定アテンションモデルを適用して改善した。
参考スコア（独自算出の注目度）: 2.0306707203430348
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The centroid method is a simple approach for extractive multi-document summarization and many improvements to its pipeline have been proposed. We further refine it by adding a beam search process to the sentence selection and also a centroid estimation attention model that leads to improved results. We demonstrate this in several multi-document summarization datasets, including in a multilingual scenario.
Abstract（参考訳）: セントロイド法は, 抽出多文書要約のための単純な手法であり, パイプラインの改良が数多く提案されている。文選択にビームサーチプロセスを加えてさらに洗練し、また、改良された結果をもたらすセントロイド推定注意モデルも導入する。多言語シナリオを含む複数のマルチドキュメント要約データセットでこれを実証する。

関連論文リスト

Balancing Diversity and Risk in LLM Sampling: How to Select Your Method and Parameter for Open-Ended Text Generation [60.493180081319785]
本稿では,各復号工程における多様性とリスクのトレードオフを考慮し,トラクションサンプリング手法の本質的な能力を推定する体系的手法を提案する。本研究は,既存のトラクションサンプリング手法の総合的な比較と,ユーザのガイドラインとして推奨されるパラメータについて紹介する。
論文参考訳（メタデータ） (2024-08-24T14:14:32Z)
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)
UniSumm and SummZoo: Unified Model and Diverse Benchmark for Few-Shot Summarization [54.59104881168188]
textscUniSummは、複数の要約タスクで事前訓練された、統合された数ショットの要約モデルである。 textscSummZooは、スクリーンショットの要約をよりよく評価するための新しいベンチマークである。
論文参考訳（メタデータ） (2022-11-17T18:54:47Z)
ACM -- Attribute Conditioning for Abstractive Multi Document Summarization [0.0]
本稿では,属性条件付きモジュールを組み込んだモデルを提案する。このアプローチは、ベースラインのマルチドキュメント要約アプローチよりもROUGEスコアが大きく向上することを示している。
論文参考訳（メタデータ） (2022-05-09T00:00:14Z)
Large-Scale Multi-Document Summarization with Information Extraction and Compression [31.601707033466766]
複数の異種文書のラベル付きデータとは無関係に抽象的な要約フレームワークを開発する。我々のフレームワークは、同じトピックのドキュメントではなく、異なるストーリーを伝えるドキュメントを処理する。我々の実験は、このより汎用的な設定において、我々のフレームワークが現在の最先端メソッドより優れていることを示した。
論文参考訳（メタデータ） (2022-05-01T19:49:15Z)
Unsupervised Summarization with Customized Granularities [76.26899748972423]
本稿では,最初の教師なし多粒度要約フレームワークであるGranuSumを提案する。異なる数のイベントを入力することで、GranuSumは教師なしの方法で複数の粒度のサマリーを生成することができる。
論文参考訳（メタデータ） (2022-01-29T05:56:35Z)
An Enhanced MeanSum Method For Generating Hotel Multi-Review Summarizations [0.06091702876917279]
マルチアスペクトマーカ(MAM)をコンテンツセレクタとして使用し、マルチアスペクトでこの問題に対処する。また,生成した要約の長さを制御する正規化器を提案する。改良されたモデルでは,元のMeansum法よりも高いROUGE,知覚精度が得られる。
論文参考訳（メタデータ） (2020-12-07T13:16:01Z)
SupMMD: A Sentence Importance Model for Extractive Summarization using Maximum Mean Discrepancy [92.5683788430012]
SupMMDは、カーネルの2サンプルテストと最大の相違点に基づく、ジェネリックおよび更新の要約のための新しいテクニックである。 DUC-2004 および TAC-2009 データセット上での現在の技術状況を満たしたり超えたりすることで,SupMMD の総合的および更新的要約タスクにおける有効性を示す。
論文参考訳（メタデータ） (2020-10-06T09:26:55Z)
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。