Fugu-MT 論文翻訳(概要): Which Information Matters? Dissecting Human-written Multi-document Summaries with Partial Information Decomposition

論文の概要: Which Information Matters? Dissecting Human-written Multi-document Summaries with Partial Information Decomposition

arxiv url: http://arxiv.org/abs/2405.14470v1
Date: Thu, 23 May 2024 11:56:54 GMT
ステータス: 処理完了
システム内更新日: 2024-05-24 15:24:46.860000
Title: Which Information Matters? Dissecting Human-written Multi-document Summaries with Partial Information Decomposition
Title（参考訳）: どの情報が重要か : 部分的情報分解による人文多文書要約の分離
Authors: Laura Mascarell, Yan L'Homme, Majed El Helou,
Abstract要約: 本稿では,部分的な情報分解を用いた要約を特徴付ける手法を提案する。異なるMDSデータセットに対する実証分析では、ソース数と要約への貢献との間に直接依存があることが示されている。
参考スコア（独自算出の注目度）: 10.217441753119722
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding the nature of high-quality summaries is crucial to further improve the performance of multi-document summarization. We propose an approach to characterize human-written summaries using partial information decomposition, which decomposes the mutual information provided by all source documents into union, redundancy, synergy, and unique information. Our empirical analysis on different MDS datasets shows that there is a direct dependency between the number of sources and their contribution to the summary.
Abstract（参考訳）: 高品質な要約の性質を理解することは,多文書要約の性能向上に不可欠である。本稿では,すべての資料から得られる相互情報を結合,冗長性,シナジー,ユニークな情報に分解する部分的情報分解を用いて人文要約を特徴付ける手法を提案する。異なるMDSデータセットに対する実証分析では、ソース数と要約への貢献との間に直接依存があることが示されている。

関連論文リスト

Converging Dimensions: Information Extraction and Summarization through Multisource, Multimodal, and Multilingual Fusion [0.0]
本稿では,複数の情報源の強みを生かして,このような課題に対処する新たな要約手法を提案する。この研究は、テキストドキュメントのような従来型にない情報源を超えて進展し、YouTubeのプレイリスト、プレプリント、ウィキペディアページなど、より多様なデータを統合している。
論文参考訳（メタデータ） (2024-06-19T17:15:47Z)
Embrace Divergence for Richer Insights: A Multi-document Summarization Benchmark and a Case Study on Summarizing Diverse Information from News Articles [136.84278943588652]
同一イベントを含む複数のニュース記事において遭遇する多様な情報を要約する新しい課題を提案する。この作業を容易にするために、多様な情報を特定するためのデータ収集スキーマの概要と、DiverseSummというデータセットをキュレートした。データセットには245のニュース記事が含まれており、各ストーリーは10のニュース記事からなり、人間公認の参照と組み合わせられる。
論文参考訳（メタデータ） (2023-09-17T20:28:17Z)
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)
Mining both Commonality and Specificity from Multiple Documents for Multi-Document Summarization [1.4629756274247374]
多文書要約タスクでは、設計した要約者が、原文書の重要な情報をカバーする短いテキストを生成する必要がある。本稿では,文書の階層的クラスタリングに基づくマルチドキュメント要約手法を提案する。
論文参考訳（メタデータ） (2023-03-05T14:25:05Z)
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)
Topic-Guided Abstractive Multi-Document Summarization [21.856615677793243]
多文書要約(MDS)の重要なポイントは、様々な文書間の関係を学習することである。異種グラフとして複数の文書を表現できる新しい抽象MDSモデルを提案する。我々は、クロスドキュメントセマンティックユニットとして機能する潜在トピックを共同で発見するために、ニューラルトピックモデルを採用している。
論文参考訳（メタデータ） (2021-10-21T15:32:30Z)
PoBRL: Optimizing Multi-Document Summarization by Blending Reinforcement Learning Policies [68.8204255655161]
マルチドキュメントの要約を解くための強化学習ベースのフレームワーク PoBRL を提案する。私たちの戦略は、この多対象最適化を、強化学習によって個別に解決できるさまざまなサブ問題に分離します。実験結果から,複数のマルチドキュメントデータセットにおける最先端の性能を示す。
論文参考訳（メタデータ） (2021-05-18T02:55:42Z)
Summarizing Text on Any Aspects: A Knowledge-Informed Weakly-Supervised Approach [89.56158561087209]
文書に関連する任意の側面を要約する。監視データがないため、我々は新しい弱い監督構築法とアスペクト・モデリング・スキームを開発した。実験により,本手法は実文書と合成文書の両方を要約することで,性能の向上を図っている。
論文参考訳（メタデータ） (2020-10-14T03:20:46Z)
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)
Leveraging Graph to Improve Abstractive Multi-Document Summarization [50.62418656177642]
我々は、文書のよく知られたグラフ表現を活用することができる、抽象的多文書要約(MDS)モデルを開発する。本モデルでは,長い文書の要約に欠かせない文書間関係を捉えるために,文書の符号化にグラフを利用する。また,このモデルでは,要約生成プロセスの導出にグラフを利用することが可能であり,一貫性と簡潔な要約を生成するのに有用である。
論文参考訳（メタデータ） (2020-05-20T13:39:47Z)

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。