論文の概要: Writing Like the Best: Exemplar-Based Expository Text Generation
- arxiv url: http://arxiv.org/abs/2505.18859v1
- Date: Sat, 24 May 2025 20:40:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:42.701445
- Title: Writing Like the Best: Exemplar-Based Expository Text Generation
- Title（参考訳）: ベストな文章を書く:例ベースの例示テキスト生成
- Authors: Yuxiang Liu, Kevin Chen-Chuan Chang,
- Abstract要約: 類似トピックの例を用いて,新しいトピックの例示テキストを生成することを目的とした,例示テキスト生成タスクを導入する。
現在の手法は、広範囲な模範データへの依存、トピック固有のコンテンツへの適応の難しさ、長文コヒーレンスの問題により、不足している。
本稿では,適応模倣の概念を提案し,新しい計画適応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）: 23.631195575124924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce the Exemplar-Based Expository Text Generation task, aiming to generate an expository text on a new topic using an exemplar on a similar topic. Current methods fall short due to their reliance on extensive exemplar data, difficulty in adapting topic-specific content, and issues with long-text coherence. To address these challenges, we propose the concept of Adaptive Imitation and present a novel Recurrent Plan-then-Adapt (RePA) framework. RePA leverages large language models (LLMs) for effective adaptive imitation through a fine-grained plan-then-adapt process. RePA also enables recurrent segment-by-segment imitation, supported by two memory structures that enhance input clarity and output coherence. We also develop task-specific evaluation metrics--imitativeness, adaptiveness, and adaptive-imitativeness--using LLMs as evaluators. Experimental results across our collected three diverse datasets demonstrate that RePA surpasses existing baselines in producing factual, consistent, and relevant texts for this task.
- Abstract（参考訳）: 類似トピックの例を用いて,新しいトピックの例示テキストを生成することを目的とした,例示テキスト生成タスクを導入する。
現在の手法は、広範囲な模範データへの依存、トピック固有のコンテンツへの適応の難しさ、長文コヒーレンスの問題により、不足している。
これらの課題に対処するために,適応的イミテーションの概念を提案し,新しいRecurrent Plan-then-Adapt(RePA)フレームワークを提案する。
RePAは大規模言語モデル(LLM)を利用して、きめ細かいプラン-then-adaptプロセスを通じて効果的な適応的模倣を行う。
RePAはまた、入力明快さと出力コヒーレンスを高める2つのメモリ構造によってサポートされた、セグメント・バイ・セグメンテーションの繰り返しの模倣を可能にする。
また,タスク固有の評価指標として,適応性,適応性,適応性を用いたLCMを評価対象として開発する。
収集した3つの多様なデータセットに対する実験結果から、RePAが既存のベースラインを超え、実際の、一貫性のある、関連するテキストを生成することが示された。
関連論文リスト
- Aspect-Based Summarization with Self-Aspect Retrieval Enhanced Generation [23.801244006016972]
アスペクトベースの要約は、特定の側面に合わせた要約を生成することを目的としている。
本稿では,アスペクトベースの要約のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-17T16:09:57Z) - Personalized Text Generation with Contrastive Activation Steering [63.60368120937822]
そこで本研究では,ベクタとしてパーソナライズされた書体スタイルを分離し,表現する学習自由フレームワークを提案する。
本フレームワークは,PEFT法よりも1700倍のストレージ要求を削減しつつ,パーソナライズ生成において,8%の相対的な改善を実現している。
論文 参考訳（メタデータ） (2025-03-07T08:07:15Z) - RAPID: Efficient Retrieval-Augmented Long Text Generation with Writing Planning and Information Discovery [69.41989381702858]
直接生成やマルチエージェントの議論といった既存の手法は、幻覚、トピックの不整合、重大な遅延といった問題に悩まされることが多い。
本稿では,効率的な検索拡張長文生成フレームワークRAPIDを提案する。
私たちの仕事は、自動化された長文生成の課題に対して、堅牢で効率的なソリューションを提供します。
論文 参考訳（メタデータ） (2025-03-02T06:11:29Z) - Few-Shot, No Problem: Descriptive Continual Relation Extraction [27.296604792388646]
AIシステムが現実世界のドメインにおける進化する関係を識別し、適応できるようにする上で、わずかなショットの連続関係抽出は重要な課題である。
従来のメモリベースのアプローチは、しばしば限られたサンプルに過度に適合し、古い知識の強化に失敗する。
本稿では,関係関係記述を生成するために,大規模言語モデルから始まる新しい検索ベースソリューションを提案する。
論文 参考訳（メタデータ） (2025-02-27T23:44:30Z) - ChallengeMe: An Adversarial Learning-enabled Text Summarization Framework [7.34943328546274]
本稿では,逆学習に基づくプロンプトフレームワークであるChallengeMeを構築した。
これには、生成プロンプト、評価プロンプト、フィードバック最適化の3つのケースドソリューションが含まれている。
テキスト要約タスクにおける混合ケーススタディの結果から,提案するフレームワークがより正確で流動的なテキスト要約を生成できることが示唆された。
論文 参考訳（メタデータ） (2025-02-07T16:59:34Z) - Detecting Document-level Paraphrased Machine Generated Content: Mimicking Human Writing Style and Involving Discourse Features [57.34477506004105]
機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。
これらの課題を克服するために、新しい方法論とデータセットを導入します。
人間の筆記スタイルをエミュレートするエンコーダデコーダモデルであるMhBARTを提案する。
また,PDTB前処理による談話解析を統合し,構造的特徴を符号化するモデルであるDTransformerを提案する。
論文 参考訳（メタデータ） (2024-12-17T08:47:41Z) - Meta-Chunking: Learning Text Segmentation and Semantic Completion via Logical Perception [10.614437503578856]
本稿では,チャンキング品質を特に向上させるメタチャンキングフレームワークを提案する。
我々は不確実性に基づく2つの適応的チャンキング手法、すなわちPerplexity ChunkingとMargin Sampling Chunkingを設計する。
我々は,2段階の階層的要約生成プロセスと3段階のテキストチャンク書き換え手順を含むグローバル情報補償機構を確立する。
論文 参考訳（メタデータ） (2024-10-16T17:59:32Z) - Instilling Multi-round Thinking to Text-guided Image Generation [72.2032630115201]
シングルラウンド世代は、特に靴やスリーブのようなきめ細かい変更の領域において、重要な詳細を見落としていることが多い。
既存の手法と互換性のある,新たな自己監督型正規化,すなわちマルチラウンド正規化を導入する。
修正順序が最終結果に概して影響を与えないという観察に基づいている。
論文 参考訳（メタデータ） (2024-01-16T16:19:58Z) - TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。
TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。
分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
論文 参考訳（メタデータ） (2023-06-06T03:37:41Z)
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。