論文の概要: Topic-Guided Reinforcement Learning with LLMs for Enhancing Multi-Document Summarization

• arxiv url: http://arxiv.org/abs/2509.09852v1
• Date: Thu, 11 Sep 2025 21:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.921678
• Title: Topic-Guided Reinforcement Learning with LLMs for Enhancing Multi-Document Summarization
• Title（参考訳）: マルチドキュメント要約を支援するLLMを用いたトピックガイド強化学習
• Authors: Chuyuan Li, Austin Xu, Shafiq Joty, Giuseppe Carenini,
• Abstract要約: マルチドキュメント要約におけるコンテンツ選択を改善するためのトピック誘導型強化学習手法を提案する。 まず、トピックラベル付きモデルに明示的にプロンプトすることで、生成した要約の情報性が向上することを示す。
• 参考スコア（独自算出の注目度）: 49.61589046694085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key challenge in Multi-Document Summarization (MDS) is effectively integrating information from multiple sources while maintaining coherence and topical relevance. While Large Language Models have shown impressive results in single-document summarization, their performance on MDS still leaves room for improvement. In this paper, we propose a topic-guided reinforcement learning approach to improve content selection in MDS. We first show that explicitly prompting models with topic labels enhances the informativeness of the generated summaries. Building on this insight, we propose a novel topic reward within the Group Relative Policy Optimization (GRPO) framework to measure topic alignment between the generated summary and source documents. Experimental results on the Multi-News and Multi-XScience datasets demonstrate that our method consistently outperforms strong baselines, highlighting the effectiveness of leveraging topical cues in MDS.
• Abstract（参考訳）: MDS(Multi-Document Summarization)の重要な課題は、一貫性とトピック関連性を維持しつつ、複数のソースからの情報を効果的に統合することである。 大きな言語モデルは、単一ドキュメントの要約において印象的な結果を示しているが、MDSにおける彼らのパフォーマンスは、まだ改善の余地がない。 本稿では,MDSにおけるコンテンツ選択を改善するためのトピック誘導型強化学習手法を提案する。 まず、トピックラベル付きモデルに明示的にプロンプトすることで、生成した要約の情報性が向上することを示す。 この知見に基づいて、生成した要約とソース文書間のトピックアライメントを測定するために、グループ相対ポリシー最適化(GRPO)フレームワーク内で新しいトピック報酬を提案する。 また,Multi-NewsおよびMulti-XScienceデータセットによる実験結果から,本手法は強いベースラインを一貫して上回り,MDSにおけるトピックスキューの活用の有効性を強調した。

関連論文リスト

• Multi2: Multi-Agent Test-Time Scalable Framework for Multi-Document Processing [43.75154489681047]
  MDS(Multi-Document Summarization)のためのテスト時間スケーリングを利用した新しいフレームワークを提案する。 提案手法では,様々なプロンプトを用いて複数の候補サマリーを生成し,アグリゲータと組み合わせて洗練されたサマリーを生成する。 また,本手法を効果的に評価するために,LCM-ACU(Consistency-Aware Preference)スコアとLLM-Content-Unit(LLM-ACU)スコアという2つの新しいLCMベースの指標を導入する。
  論文  参考訳（メタデータ） (2025-02-27T23:34:47Z)
• VisDoM: Multi-Document QA with Visually Rich Elements Using Multimodal Retrieval-Augmented Generation [100.06122876025063]
  本稿では,マルチドキュメント設定でQAシステムを評価するために設計された,初の総合ベンチマークであるVisDoMBenchを紹介する。 視覚とテキストのRAGを同時に利用する新しいマルチモーダル検索拡張生成(RAG)手法であるVisDoMRAGを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:24:55Z)
• Unsupervised Multi-document Summarization with Holistic Inference [41.58777650517525]
  本稿では,教師なし多文書抽出要約のための新しい総合的枠組みを提案する。 サブセット代表指数(SRI)は、原文からの文のサブセットの重要性と多様性のバランスをとる。 その結果,多文書要約性能の向上には多様性が不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-08T02:56:30Z)
• Topic-Guided Abstractive Multi-Document Summarization [21.856615677793243]
  多文書要約(MDS)の重要なポイントは、様々な文書間の関係を学習することである。 異種グラフとして複数の文書を表現できる新しい抽象MDSモデルを提案する。 我々は、クロスドキュメントセマンティックユニットとして機能する潜在トピックを共同で発見するために、ニューラルトピックモデルを採用している。
  論文  参考訳（メタデータ） (2021-10-21T15:32:30Z)
• PoBRL: Optimizing Multi-Document Summarization by Blending Reinforcement Learning Policies [68.8204255655161]
  マルチドキュメントの要約を解くための強化学習ベースのフレームワーク PoBRL を提案する。 私たちの戦略は、この多対象最適化を、強化学習によって個別に解決できるさまざまなサブ問題に分離します。 実験結果から,複数のマルチドキュメントデータセットにおける最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-05-18T02:55:42Z)
• SupMMD: A Sentence Importance Model for Extractive Summarization using Maximum Mean Discrepancy [92.5683788430012]
  SupMMDは、カーネルの2サンプルテストと最大の相違点に基づく、ジェネリックおよび更新の要約のための新しいテクニックである。 DUC-2004 および TAC-2009 データセット上での現在の技術状況を満たしたり超えたりすることで,SupMMD の総合的および更新的要約タスクにおける有効性を示す。
  論文  参考訳（メタデータ） (2020-10-06T09:26:55Z)
• Leveraging Graph to Improve Abstractive Multi-Document Summarization [50.62418656177642]
  我々は、文書のよく知られたグラフ表現を活用することができる、抽象的多文書要約(MDS)モデルを開発する。 本モデルでは,長い文書の要約に欠かせない文書間関係を捉えるために,文書の符号化にグラフを利用する。 また,このモデルでは,要約生成プロセスの導出にグラフを利用することが可能であり,一貫性と簡潔な要約を生成するのに有用である。
  論文  参考訳（メタデータ） (2020-05-20T13:39:47Z)

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。