論文の概要: State Space Models for Extractive Summarization in Low Resource Scenarios

• arxiv url: http://arxiv.org/abs/2501.14673v1
• Date: Fri, 24 Jan 2025 17:49:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:25.424754
• Title: State Space Models for Extractive Summarization in Low Resource Scenarios
• Title（参考訳）: 低資源シナリオにおける抽出的要約のための状態空間モデル
• Authors: Nisrine Ait Khayi,
• Abstract要約: 本稿では,MPoincareSum法を用いて,レビューや文の意味を抽出する手法を提案する。 PoSumincareレイヤは最も意味のある機能を選択するために使用され、続いて文の関連性を予測するための線形レイヤが適用される。 実験の結果,MPoincareSumは文献におけるいくつかの既存手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Extractive summarization involves selecting the most relevant sentences from a text. Recently, researchers have focused on advancing methods to improve state-of-the-art results in low-resource settings. Motivated by these advancements, we propose the MPoincareSum method. This method applies the Mamba state space model to generate the semantics of reviews and sentences, which are then concatenated. A Poincare compression is used to select the most meaningful features, followed by the application of a linear layer to predict sentence relevance based on the corresponding review. Finally, we paraphrase the relevant sentences to create the final summary. To evaluate the effectiveness of MPoincareSum, we conducted extensive experiments using the Amazon review dataset. The performance of the method was assessed using ROUGE scores. The experimental results demonstrate that MPoincareSum outperforms several existing approaches in the literature
• Abstract（参考訳）: 抽出要約では、テキストから最も関連性の高い文を選択する。 近年、研究者は、低リソース環境における最先端の成果を改善する方法に重点を置いている。 これらの進歩を動機として,MPoincareSum法を提案する。 この方法は、マンバ状態空間モデルを適用して、レビューと文の意味論を生成し、それを連結する。 ポインケア圧縮は最も意味のある特徴を選択するために使用され、続いて線形層を用いて対応するレビューに基づいて文の関連性を予測する。 最後に、関連する文を言い換えて最終要約を作成する。 MPoincareSumの有効性を評価するため,Amazon Reviewデータセットを用いて広範な実験を行った。 ROUGEスコアを用いて評価した。 実験結果から,MPoincareSumは文献におけるいくつかの既存手法より優れていることが示された。

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,各復号ステップ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キャパシティ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を総合的に比較し,パラメータ選択のための実用的なユーザガイドとして機能する。
  論文  参考訳（メタデータ） (2024-08-24T14:14:32Z)
• Investigating Text Shortening Strategy in BERT: Truncation vs Summarization [2.7645945793246973]
  本研究は,テキスト分類作業における文書トランケーションと要約の性能について検討する。 インドネシアのニュース記事に基づく要約タスクのデータセットを用いて分類試験を行った。
  論文  参考訳（メタデータ） (2024-03-19T15:01:14Z)
• Hierarchical Indexing for Retrieval-Augmented Opinion Summarization [60.5923941324953]
  本稿では,抽出アプローチの帰属性と拡張性と,大規模言語モデル(LLM)の一貫性と拡散性を組み合わせた,教師なし抽象的意見要約手法を提案する。 我々の方法であるHIROは、意味的に整理された離散的な階層を通して文を経路にマッピングするインデックス構造を学習する。 推測時にインデックスを投入し、入力レビューから人気意見を含む文群を識別し、検索する。
  論文  参考訳（メタデータ） (2024-03-01T10:38:07Z)
• On Context Utilization in Summarization with Large Language Models [83.84459732796302]
  大きな言語モデル(LLM)は抽象的な要約タスクに優れ、流動的で関連する要約を提供する。 最近の進歩は、100kトークンを超える長期入力コンテキストを扱う能力を拡張している。 要約における文脈利用と位置バイアスに関する最初の総合的研究を行う。
  論文  参考訳（メタデータ） (2023-10-16T16:45:12Z)
• Lay Text Summarisation Using Natural Language Processing: A Narrative Literature Review [1.8899300124593648]
  本研究の目的は, テキスト要約の手法を記述し, 比較することである。 私たちは82の記事をスクリーニングし、同じデータセットを使用して2020年から2021年の間に8つの関連論文を公開しました。 ハイブリッドアプローチにおける抽出的および抽象的要約法の組み合わせが最も有効であることが判明した。
  論文  参考訳（メタデータ） (2023-03-24T18:30:50Z)
• Comparing Methods for Extractive Summarization of Call Centre Dialogue [77.34726150561087]
  そこで本稿では,これらの手法を用いて呼の要約を生成し,客観的に評価することにより,実験的な比較を行った。 TopicSum と Lead-N は他の要約法よりも優れており,BERTSum は主観的評価と客観的評価の両方で比較的低いスコアを得た。
  論文  参考訳（メタデータ） (2022-09-06T13:16:02Z)
• OTExtSum: Extractive Text Summarisation with Optimal Transport [45.78604902572955]
  テキスト要約を最適輸送(OT)問題として初めて定式化した非学習型手法を提案する。 提案手法は,最先端の非学習的手法と最近の学習的手法をROUGEメートル法で比較した。
  論文  参考訳（メタデータ） (2022-04-21T13:25:34Z)
• Clustering and Network Analysis for the Embedding Spaces of Sentences and Sub-Sentences [69.3939291118954]
  本稿では,文とサブ文の埋め込みを対象とする包括的クラスタリングとネットワーク解析について検討する。 その結果,1つの手法が最もクラスタリング可能な埋め込みを生成することがわかった。 一般に、スパン部分文の埋め込みは、原文よりもクラスタリング特性が優れている。
  論文  参考訳（メタデータ） (2021-10-02T00:47:35Z)
• Biomedical text summarization using Conditional Generative Adversarial Network(CGAN) [6.488575826304023]
  本稿では,条件付き生成逆数ネットワークに基づく教師付き抽出要約手法を提案する。 要約を改善するバイオメディカル単語埋め込みのためのネットワークを提供する。 医学データセットの実験により、提案手法は競合するモデルよりも平均5%良く動作することが示された。
  論文  参考訳（メタデータ） (2021-09-17T17:13:56Z)
• Discrete Optimization for Unsupervised Sentence Summarization with Word-Level Extraction [31.648764677078837]
  自動要約は、その最も重要な情報を保存しながら、文章の短いバージョンを生成する。 我々はこれら2つの側面を言語モデリングと意味的類似度メトリクスからなる教師なし目的関数でモデル化する。 提案手法は,ROUGEスコアによる教師なし文要約のための新しい最先端技術を実現する。
  論文  参考訳（メタデータ） (2020-05-04T19:01:55Z)
• At Which Level Should We Extract? An Empirical Analysis on Extractive Document Summarization [110.54963847339775]
  本研究は,全文を抽出する際,不必要な問題や冗長性が存在することを示す。 選挙区解析木に基づくサブセグメント単位の抽出を提案する。
  論文  参考訳（メタデータ） (2020-04-06T13:35:10Z)

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。