論文の概要: Beyond Outlining: Heterogeneous Recursive Planning for Adaptive Long-form Writing with Language Models

• arxiv url: http://arxiv.org/abs/2503.08275v2
• Date: Tue, 25 Mar 2025 18:27:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:18:58.783148
• Title: Beyond Outlining: Heterogeneous Recursive Planning for Adaptive Long-form Writing with Language Models
• Title（参考訳）: 言語モデルを用いた適応型長文記述のための不均一再帰計画法
• Authors: Ruibin Xiong, Yimeng Chen, Dmitrii Khizbullin, Mingchen Zhuge, Jürgen Schmidhuber,
• Abstract要約: ロングフォームな書記エージェントは情報検索、推論、合成において柔軟な統合と相互作用を必要とする。 現在のアプローチは、書く前にアウトラインを生成するために、所定の、堅固な思考パターンに依存しています。 本稿では,人間ライクなアダプティブ・ライティングを実現する汎用エージェント・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.79639857578783
• License:
• Abstract: Long-form writing agents require flexible integration and interaction across information retrieval, reasoning, and composition. Current approaches rely on predetermined workflows and rigid thinking patterns to generate outlines before writing, resulting in constrained adaptability during writing. In this paper we propose a general agent framework that achieves human-like adaptive writing through recursive task decomposition and dynamic integration of three fundamental task types, i.e. retrieval, reasoning, and composition. Our methodology features: 1) a planning mechanism that interleaves recursive task decomposition and execution, eliminating artificial restrictions on writing workflow; and 2) integration of task types that facilitates heterogeneous task decomposition. Evaluations on both fiction writing and technical report generation show that our method consistently outperforms state-of-the-art approaches across all automatic evaluation metrics, which demonstrate the effectiveness and broad applicability of our proposed framework.
• Abstract（参考訳）: ロングフォームな書記エージェントは情報検索、推論、合成において柔軟な統合と相互作用を必要とする。 現在のアプローチでは、記述前にアウトラインを生成するために、所定のワークフローと厳格な思考パターンを頼りにしている。 本稿では,再帰的タスク分解と3つの基本タスクタイプ,すなわち検索,推論,合成の動的統合により,人間のような適応的な記述を実現する汎用エージェントフレームワークを提案する。 私たちの方法論の特徴: 1)再帰的タスクの分解と実行をインターリーブし、ワークフローの人工的制約をなくす計画機構 2) 不均一なタスク分解を容易にするタスクタイプの統合。 フィクションの執筆と技術レポート生成の両面から評価したところ,提案手法は全ての自動評価指標において常に最先端の手法よりも優れており,提案手法の有効性と適用性を示している。

関連論文リスト

• Learning Task Representations from In-Context Learning [73.72066284711462]
  大規模言語モデル(LLM)は、文脈内学習において顕著な習熟性を示している。 ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。 提案手法の有効性は,最後の隠れ状態の分布と最適に実行されたテキスト内学習モデルとの整合性に起因していることを示す。
  論文  参考訳（メタデータ） (2025-02-08T00:16:44Z)
• DocSum: Domain-Adaptive Pre-training for Document Abstractive Summarization [2.8201999897313015]
  抽象的な要約は、大量のテキストをコヒーレントな要約に凝縮し、言い換える上で重要な一歩を踏み出した。 既存のモデルは、しばしばそのような文書の複雑な構造や専門的な内容に適応するのに苦労する。 本稿では,管理文書に適したドメイン適応型抽象要約フレームワークDocSumを紹介する。
  論文  参考訳（メタデータ） (2024-12-11T08:36:50Z)
• EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
  本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。 EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-20T06:21:56Z)
• Dynamic Embeddings with Task-Oriented prompting [0.8287206589886881]
  DETOTの構造は詳細であり、タスク固有の適応、継続的なフィードバックループ、過度な適合を防ぐメカニズムを強調している。 経験的評価は既存の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-17T23:18:15Z)
• Interactive Editing for Text Summarization [30.46273082913698]
  REVISEは、人間の書き手による要約の反復的な編集と洗練を容易にするために設計されたフレームワークである。 中心となるREVISEは、エンコーダ・デコーダアーキテクチャによる中間モデルの修正を取り入れている。
  論文  参考訳（メタデータ） (2023-06-05T17:43:53Z)
• Improving Task Generalization via Unified Schema Prompt [87.31158568180514]
  Unified Promptはフレキシブルでプロンプトの手法で、タスク入力スキーマに従って各タスクの学習可能なプロンプトを自動的にカスタマイズする。 異なるタスクスキーマの特徴を維持しながら、タスク間の共有知識をモデル化する。 このフレームワークは、8つのタスクタイプから下流に見えない16のタスクに対して、強力なゼロショットと少数ショットのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-05T15:26:36Z)
• TAGPRIME: A Unified Framework for Relational Structure Extraction [71.88926365652034]
  TAGPRIMEは、与えられた条件に関する情報を入力テキストに追加するシーケンスタグ付けモデルである。 事前学習された言語モデルにおける自己認識機構により、プライミングワードは、出力された文脈化された表現に、与えられた条件に関するより多くの情報を含む。 5つの異なる言語にまたがる10のデータセットをカバーする3つのタスクに関する大規模な実験と分析は、TAGPRIMEの汎用性と有効性を示している。
  論文  参考訳（メタデータ） (2022-05-25T08:57:46Z)
• Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
  本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。 我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
  論文  参考訳（メタデータ） (2020-10-10T14:03:20Z)
• Incomplete Utterance Rewriting as Semantic Segmentation [57.13577518412252]
  本稿では, セマンティックセグメンテーションタスクとして定式化する, 斬新で広範囲なアプローチを提案する。 スクラッチから生成する代わりに、このような定式化は編集操作を導入し、単語レベルの編集行列の予測として問題を形作る。 私たちのアプローチは、推論における標準的なアプローチの4倍高速です。
  論文  参考訳（メタデータ） (2020-09-28T09:29:49Z)

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。