論文の概要: HiCaM: A Hierarchical-Causal Modification Framework for Long-Form Text Modification

• arxiv url: http://arxiv.org/abs/2505.24319v1
• Date: Fri, 30 May 2025 08:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.840748
• Title: HiCaM: A Hierarchical-Causal Modification Framework for Long-Form Text Modification
• Title（参考訳）: HiCaM: 長期テキスト修正のための階層・因果修正フレームワーク
• Authors: Yuntao Shi, Yi Luo, Yeyun Gong, Chen Lin,
• Abstract要約: HiCaMは階層的・因果的な修正フレームワークであり、階層的な要約ツリーと因果グラフを通して動作する。 複数のモデルとドメインで一貫したパフォーマンス改善を示す。
• 参考スコア（独自算出の注目度）: 28.95532154637662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have achieved remarkable success in various domains. However, when handling long-form text modification tasks, they still face two major problems: (1) producing undesired modifications by inappropriately altering or summarizing irrelevant content, and (2) missing necessary modifications to implicitly related passages that are crucial for maintaining document coherence. To address these issues, we propose HiCaM, a Hierarchical-Causal Modification framework that operates through a hierarchical summary tree and a causal graph. Furthermore, to evaluate HiCaM, we derive a multi-domain dataset from various benchmarks, providing a resource for assessing its effectiveness. Comprehensive evaluations on the dataset demonstrate significant improvements over strong LLMs, with our method achieving up to a 79.50\% win rate. These results highlight the comprehensiveness of our approach, showing consistent performance improvements across multiple models and domains.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、様々な領域で顕著な成功を収めた。 しかし,長文テキスト修正作業では,(1)不適切な内容の変更や要約による望ましくない修正,(2)文書の一貫性維持に不可欠である暗黙的に関連したパスに対する必要な修正の欠如,という2つの大きな問題に直面している。 これらの問題に対処するため,階層的な要約木と因果グラフを通した階層・因果修正フレームワークであるHiCaMを提案する。 さらに、HiCaMを評価するために、さまざまなベンチマークからマルチドメインデータセットを導き、その有効性を評価するためのリソースを提供する。 総合評価では, 強いLLMに対して, 79.50 %の勝利率を達成でき, 大幅な改善が見られた。 これらの結果は、アプローチの包括性を強調し、複数のモデルとドメイン間で一貫したパフォーマンス改善を示す。

関連論文リスト

• Writing Like the Best: Exemplar-Based Expository Text Generation [23.631195575124924]
  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。
  論文  参考訳（メタデータ） (2025-05-24T20:40:39Z)
• Adapting Large Language Models for Multi-Domain Retrieval-Augmented-Generation [59.58987161199141]
  マルチドメインアプリケーションは、多様なベンチマークの欠如やドメイン外一般化の貧弱といった課題に直面している。 我々は8つのソースから様々な質問応答タスクを抽出し、13のドメインをカバーした多種多様なベンチマークを導入する。 以上の結果から,マルチドメインRAGロバスト性を改善するための重要な戦略が浮かび上がっている。
  論文  参考訳（メタデータ） (2025-04-03T09:03:40Z)
• MultiConIR: Towards multi-condition Information Retrieval [57.6405602406446]
  我々は,マルチコンディションシナリオにおける検索モデルの評価を目的とした,最初のベンチマークであるMultiConIRを紹介する。 本稿では,マルチコンディションのロバスト性,モノトニック関連性ランキング,クエリフォーマットの感度に基づいて,検索とリランクモデルの評価を行う3つのタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-11T05:02:03Z)
• HMGIE: Hierarchical and Multi-Grained Inconsistency Evaluation for Vision-Language Data Cleansing [54.970275599061594]
  我々は階層的・多階層的不整合評価(HMGIE)と呼ばれる適応的評価フレームワークを設計する。 HMGIEは、様々な画像キャプチャー対の精度と完全性の両方をカバーする多粒度評価を提供する。 提案手法の有効性と柔軟性を検証するため,様々なタイプの画像キャプチャー・データセットであるMVTIDを構築した。
  論文  参考訳（メタデータ） (2024-12-07T15:47:49Z)
• DMQR-RAG: Diverse Multi-Query Rewriting for RAG [26.518517678671376]
  大きな言語モデルは、しばしば静的な知識と幻覚による課題に遭遇し、その信頼性を損なう。 DMQR-RAG(Diverse Multi-Query Rewriting framework)を導入し、RAGにおける文書検索と最終応答の両方の性能を改善する。
  論文  参考訳（メタデータ） (2024-11-20T09:43:30Z)
• Leveraging the Domain Adaptation of Retrieval Augmented Generation Models for Question Answering and Reducing Hallucination [3.879723687090678]
  Retrieval Augmented Generation Modelは、質問回答のような下流アプリケーションに非常に効果的である。 最近、RAG-end2endモデルはアーキテクチャをさらに最適化し、ドメイン適応における顕著なパフォーマンス改善を実現した。 本稿では,ドメイン適応による多様なRAGおよびRAG様アーキテクチャの性能について検討する。
  論文  参考訳（メタデータ） (2024-10-23T11:32:46Z)
• R-Eval: A Unified Toolkit for Evaluating Domain Knowledge of Retrieval Augmented Large Language Models [51.468732121824125]
  大規模言語モデルは一般的なNLPタスクにおいて顕著な成功を収めてきたが、ドメイン固有の問題には不足する可能性がある。 既存の評価ツールは、ドメイン知識の深さを掘り下げることなく、いくつかのベースラインを提供し、様々なドメインで評価するのみである。 本稿では、R-Evalツールキット(R-Evalツールキット)を導入し、異なるRAGの評価を合理化することによるALLMの評価の課題に対処する。
  論文  参考訳（メタデータ） (2024-06-17T15:59:49Z)
• LayeredDoc: Domain Adaptive Document Restoration with a Layer Separation Approach [9.643486775455841]
  本稿では,文書画像復元システムにおける領域適応性を向上するテキスト・グラフィック・レイヤ分離手法を提案する。 本稿では,2つのレイヤ情報を利用するLayeredDocを提案する。第1のターゲットは粗粒のグラフィックコンポーネントであり,第2のレイヤは機械印刷されたテキストコンテンツを洗練する。 本研究では,本研究のために開発された新しい実世界のデータセットであるLayeredDocDBを用いて,定性的かつ定量的にアプローチを評価する。
  論文  参考訳（メタデータ） (2024-06-12T19:41:01Z)
• Long Document Summarization with Top-down and Bottom-up Inference [113.29319668246407]
  本稿では、2つの側面の要約モデルを改善するための原則的推論フレームワークを提案する。 我々のフレームワークは、トップレベルが長距離依存性をキャプチャするドキュメントの階層的な潜在構造を前提としています。 本稿では,様々な要約データセットに対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-03-15T01:24:51Z)

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。