論文の概要: Improving Factual Error Correction for Abstractive Summarization via
Data Distillation and Conditional-generation Cloze
- arxiv url: http://arxiv.org/abs/2402.08581v1
- Date: Tue, 13 Feb 2024 16:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 14:42:53.367716
- Title: Improving Factual Error Correction for Abstractive Summarization via
Data Distillation and Conditional-generation Cloze
- Title（参考訳）: データ蒸留とコンディショナルジェネレーション・クローゼによる抽象要約における誤り訂正の改善
- Authors: Yiyang Li and Lei Li and Dingxin Hu and Xueyi Hao and Marina Litvak
and Natalia Vanetik and Yanquan Zhou
- Abstract要約: まず,条件生成クローズタスクに基づく誤り訂正モデルFactClozeを提案する。
次に,より忠実な要約データセット SummDSC を生成するためのデータ蒸留手法を提案する。
- 参考スコア（独自算出の注目度）: 11.589564922148913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Improving factual consistency in abstractive summarization has been a focus
of current research. One promising approach is the post-editing method.
However, previous works have yet to make sufficient use of factual factors in
summaries and suffers from the negative effect of the training datasets. In
this paper, we first propose a novel factual error correction model FactCloze
based on a conditional-generation cloze task. FactCloze can construct the
causality among factual factors while being able to determine whether the blank
can be answered or not. Then, we propose a data distillation method to generate
a more faithful summarization dataset SummDSC via multiple-dimensional
evaluation. We experimentally validate the effectiveness of our approach, which
leads to an improvement in multiple factual consistency metrics compared to
baselines.
- Abstract（参考訳）: 抽象要約における事実整合性の改善は、現在の研究の焦点となっている。
有望なアプローチの1つはポスト編集方式である。
しかし、これまでの研究はまだ要約における事実的要因を十分に活用していないため、トレーニングデータセットの負の効果に悩まされている。
本稿では,条件付き生成型clozeタスクに基づいて,新しい事実誤り訂正モデルfactclozeを提案する。
FactClozeは、空白が答えられるかどうかを判断しながら、事実要因間の因果関係を構築することができる。
次に,より忠実な要約データセット SummDSC を多次元評価により生成するデータ蒸留手法を提案する。
提案手法の有効性を実験的に検証し,ベースラインと比較して複数の事実整合性指標の改善につながった。
関連論文リスト
- AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。
提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
論文 参考訳（メタデータ） (2023-11-16T02:56:29Z) - Questioning the Validity of Summarization Datasets and Improving Their
Factual Consistency [14.974996886744083]
SummFCは,事実整合性を改善したフィルタされた要約データセットである。
我々は,データセットが要約システムの開発と評価のための有効なベンチマークとなるべきだと論じている。
論文 参考訳（メタデータ） (2022-10-31T15:04:20Z) - Correcting Diverse Factual Errors in Abstractive Summarization via
Post-Editing and Language Model Infilling [56.70682379371534]
提案手法は, 誤要約の修正において, 従来手法よりもはるかに優れていることを示す。
我々のモデルであるFactEditは、CNN/DMで11点、XSumで31点以上のファクトリティスコアを改善する。
論文 参考訳（メタデータ） (2022-10-22T07:16:19Z) - FactPEGASUS: Factuality-Aware Pre-training and Fine-tuning for
Abstractive Summarization [91.46015013816083]
本稿では,FactPEGについて述べる。FactPEGは,事前学習と微調整における現実性の問題に対処する抽象的な要約モデルである。
分析の結果,FactPEGはゼロショットやスプリショットの設定において,本来の事前学習目標よりも現実的であることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T17:39:14Z) - Factual Error Correction for Abstractive Summaries Using Entity
Retrieval [57.01193722520597]
本稿では,エンティティ検索後処理に基づく効率的な事実誤り訂正システムRFECを提案する。
RFECは、原文と対象要約とを比較して、原文から証拠文を検索する。
次に、RFECは、エビデンス文を考慮し、要約中のエンティティレベルのエラーを検出し、エビデンス文から正確なエンティティに置換する。
論文 参考訳（メタデータ） (2022-04-18T11:35:02Z) - Factual Consistency Evaluation for Text Summarization via Counterfactual
Estimation [42.63902468258758]
本稿では,テキスト要約における事実整合性を評価するための新しい指標を提案する。
我々は3つの公開抽象テキスト要約データセットについて一連の実験を行った。
論文 参考訳（メタデータ） (2021-08-30T11:48:41Z) - Improving Factual Consistency of Abstractive Summarization via Question
Answering [25.725873545789046]
要約における事実整合性に対処するアプローチを提案する。
まず,実体整合性を測定するための効率的な自動評価指標を提案する。
次に,モデル学習時に提案するメトリックを最大化する新しい学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T19:07:21Z) - Decomposed Adversarial Learned Inference [118.27187231452852]
我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。
DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。
MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
論文 参考訳（メタデータ） (2020-04-21T20:00:35Z) - Enhancing Factual Consistency of Abstractive Summarization [57.67609672082137]
ファクトアウェアな要約モデル FASum を提案し,実情関係を抽出し,要約生成プロセスに統合する。
次に,既存のシステムから生成した要約から事実誤りを自動的に補正する事実補正モデルFCを設計する。
論文 参考訳（メタデータ） (2020-03-19T07:36:10Z)
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。