論文の概要: Unsupervised Extractive Dialogue Summarization in Hyperdimensional Space

• arxiv url: http://arxiv.org/abs/2405.09765v1
• Date: Thu, 16 May 2024 02:11:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 15:40:20.222956
• Title: Unsupervised Extractive Dialogue Summarization in Hyperdimensional Space
• Title（参考訳）: 超次元空間における無教師付き抽出対話要約
• Authors: Seongmin Park, Kyungho Kim, Jaejin Seo, Jihwa Lee,
• Abstract要約: HyperSumは抽出的な要約フレームワークである。 これはベクトルをランダムに初期化するときに現れる擬直交性を利用する。 最先端の要約よりも10倍から100倍高速です。
• 参考スコア（独自算出の注目度）: 6.817961804206677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present HyperSum, an extractive summarization framework that captures both the efficiency of traditional lexical summarization and the accuracy of contemporary neural approaches. HyperSum exploits the pseudo-orthogonality that emerges when randomly initializing vectors at extremely high dimensions ("blessing of dimensionality") to construct representative and efficient sentence embeddings. Simply clustering the obtained embeddings and extracting their medoids yields competitive summaries. HyperSum often outperforms state-of-the-art summarizers -- in terms of both summary accuracy and faithfulness -- while being 10 to 100 times faster. We open-source HyperSum as a strong baseline for unsupervised extractive summarization.
• Abstract（参考訳）: 本稿では,従来の語彙要約の効率と,現代のニューラルネットワークの精度を両立する抽出的要約フレームワークHyperSumを提案する。 ハイパーサムは、非常に高次元のベクトルをランダムに初期化する("blessing of dimensionality")ときに生じる擬直交性を利用して、代表的で効率的な文埋め込みを構築する。 得られた埋め込みをクラスタリングしてメドイドを抽出するだけで、競争力のある要約が得られる。 HyperSumは、要約の正確さと忠実さの両方の観点から、最先端の要約器よりも10倍から100倍高速であることが多い。 我々は、教師なし抽出要約のための強力なベースラインとしてHyperSumをオープンソース化した。

関連論文リスト

• Convex Relaxation for Solving Large-Margin Classifiers in Hyperbolic Space [29.564717407207528]
  双曲空間はデータ処理における優れた性能で認識されている。 勾配降下法を用いてこの問題を解こうとする以前の試みは失敗に終わった。 本稿では,緩やかな緩和モーメントを用いて最適解を効果的に近似する方法を示す。
  論文  参考訳（メタデータ） (2024-05-27T14:19:53Z)
• Hyper-CL: Conditioning Sentence Representations with Hypernetworks [5.173826260960304]
  我々は、ハイパーネットワークとコントラスト学習を統合し、条件付き文表現を計算する効率的な手法であるHyper-CLを紹介する。 提案手法では,計算済み条件埋め込みを対応する射影層に変換する。 条件付きセマンティックテキスト類似性と知識グラフ補完という2つの代表的な条件付けベンチマークの評価は,Hyper-CLが文表現の柔軟条件付けに有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-14T15:30:25Z)
• Fast hyperboloid decision tree algorithms [0.6656737591902598]
  我々は、決定木アルゴリズムの新たな拡張であるHyperDTを双曲空間に提示する。 私たちのアプローチは概念的には単純で、一定時間の意思決定の複雑さを維持します。 HyperDTの上に構築されたハイパーRFは、双曲的ランダムフォレストモデルである。
  論文  参考訳（メタデータ） (2023-10-20T22:31:10Z)
• Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
  Skipperはモデルベースの強化学習フレームワークである。 これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。 環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
  論文  参考訳（メタデータ） (2023-09-30T02:25:18Z)
• Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin [49.12496652756007]
  この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。 従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-18T14:51:46Z)
• Efficient and Interpretable Compressive Text Summarisation with Unsupervised Dual-Agent Reinforcement Learning [36.93582300019002]
  教師なし二重エージェント強化学習を用いた効率よく解釈可能な圧縮要約法を提案する。 本モデルでは,ROUGE 測定値を用いて,有望な性能と,Newsroom の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-06-06T05:30:49Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Constrained Abstractive Summarization: Preserving Factual Consistency with Constrained Generation [93.87095877617968]
  本稿では,抽象要約の現実的一貫性を保ちつつ,制約付き抽象要約(CAS)を提案する。 我々は、CASを満たすために、一般的に自己回帰生成モデルに適用される語彙制約付き復号法を採用する。 対話的要約において1つの手動制約のみを使用する場合、最大13.8ROUGE-2ゲインを観測する。
  論文  参考訳（メタデータ） (2020-10-24T00:27:44Z)
• Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
  ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。 本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。 双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
  論文  参考訳（メタデータ） (2020-04-11T19:11:30Z)

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。