Fugu-MT 論文翻訳(概要): A Rate-Distortion Framework for Summarization

論文の概要: A Rate-Distortion Framework for Summarization

arxiv url: http://arxiv.org/abs/2501.13100v1
Date: Wed, 22 Jan 2025 18:57:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-23 16:53:09.186630
Title: A Rate-Distortion Framework for Summarization
Title（参考訳）: 要約のためのレート歪みフレームワーク
Authors: Enes Arda, Aylin Yener,
Abstract要約: 要約器の速度歪み関数を定義し、要約器の性能に基礎的な下限を与えることを示す。また、実世界のテキストデータセットを扱うために、限られたデータで要約器の速度歪み関数を計算できる実用的な方法を提案する。
参考スコア（独自算出の注目度）: 14.610038284393168
License:
Abstract: This paper introduces an information-theoretic framework for text summarization. We define the summarizer rate-distortion function and show that it provides a fundamental lower bound on summarizer performance. We describe an iterative procedure, similar to Blahut-Arimoto algorithm, for computing this function. To handle real-world text datasets, we also propose a practical method that can calculate the summarizer rate-distortion function with limited data. Finally, we empirically confirm our theoretical results by comparing the summarizer rate-distortion function with the performances of different summarizers used in practice.
Abstract（参考訳）: 本稿では,テキスト要約のための情報理論フレームワークを提案する。要約器の速度歪み関数を定義し、要約器の性能に基礎的な下限を与えることを示す。本稿では,Blahut-Arimotoアルゴリズムに類似した反復的な計算法について述べる。また、実世界のテキストデータセットを扱うために、限られたデータで要約器の速度歪み関数を計算できる実用的な方法を提案する。最後に,要約器の速度歪み関数と実演で使用する異なる要約器の性能を比較することで,理論的結果を実証的に検証する。

関連論文リスト

Improving Factual Error Correction for Abstractive Summarization via Data Distillation and Conditional-generation Cloze [11.589564922148913]
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。
論文参考訳（メタデータ） (2024-02-13T16:35:48Z)
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)
Enhancing Coherence of Extractive Summarization with Multitask Learning [40.349019691412465]
本研究では,コヒーレンス向上を伴う抽出要約のためのマルチタスク学習アーキテクチャを提案する。アーキテクチャは、抽出要約器とコヒーレント判別器モジュールとを含む。実験の結果,提案手法は抽出した要約文の連続文の割合を大幅に改善することがわかった。
論文参考訳（メタデータ） (2023-05-22T09:20:58Z)
Revisiting text decomposition methods for NLI-based factuality scoring of summaries [9.044665059626958]
細粒度分解が必ずしも事実性スコアの勝利戦略であるとは限らないことを示す。また,従来提案されていたエンテーメントに基づくスコアリング手法の小さな変更により,性能が向上することを示した。
論文参考訳（メタデータ） (2022-11-30T09:54:37Z)
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)
COLO: A Contrastive Learning based Re-ranking Framework for One-Stage Summarization [84.70895015194188]
コントラスト学習に基づく一段階要約フレームワークであるCOLOを提案する。 COLOはCNN/DailyMailベンチマークの1段階システムの抽出と抽象化結果を44.58と46.33ROUGE-1スコアに引き上げた。
論文参考訳（メタデータ） (2022-09-29T06:11:21Z)
On Sample Based Explanation Methods for NLP:Efficiency, Faithfulness, and Semantic Evaluation [23.72825603188359]
我々は、任意のテキストシーケンスを説明単位として許容することにより、説明の解釈可能性を向上させることができる。本研究では,人間による説明の判断に適合する意味に基づく評価指標を提案する。
論文参考訳（メタデータ） (2021-06-09T00:49:56Z)
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)
Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
論文参考訳（メタデータ） (2020-09-15T22:06:58Z)
Extractive Summarization as Text Matching [123.09816729675838]
本稿では,ニューラル抽出要約システムの構築方法に関するパラダイムシフトを作成する。抽出した要約タスクを意味テキストマッチング問題として定式化する。我々はCNN/DailyMailの最先端抽出結果を新しいレベル(ROUGE-1の44.41)に推し進めた。
論文参考訳（メタデータ） (2020-04-19T08:27:57Z)
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。