論文の概要: Leveraging Hierarchical Organization for Medical Multi-document Summarization
- arxiv url: http://arxiv.org/abs/2510.23104v1
- Date: Mon, 27 Oct 2025 08:18:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:15.493181
- Title: Leveraging Hierarchical Organization for Medical Multi-document Summarization
- Title（参考訳）: 医用多文書要約のための階層的組織の構築
- Authors: Yi-Li Hsu, Katelyn X. Mei, Lucy Lu Wang,
- Abstract要約: 医用多文書要約の入力に階層構造を組み込むことで、文書間で情報を整理・コンテキスト化するモデルの能力が向上するかどうかを検討する。
本研究は,人文要約よりもモデル生成要約を好むことを示す。
- 参考スコア（独自算出の注目度）: 9.907620975399185
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical multi-document summarization (MDS) is a complex task that requires effectively managing cross-document relationships. This paper investigates whether incorporating hierarchical structures in the inputs of MDS can improve a model's ability to organize and contextualize information across documents compared to traditional flat summarization methods. We investigate two ways of incorporating hierarchical organization across three large language models (LLMs), and conduct comprehensive evaluations of the resulting summaries using automated metrics, model-based metrics, and domain expert evaluation of preference, understandability, clarity, complexity, relevance, coverage, factuality, and coherence. Our results show that human experts prefer model-generated summaries over human-written summaries. Hierarchical approaches generally preserve factuality, coverage, and coherence of information, while also increasing human preference for summaries. Additionally, we examine whether simulated judgments from GPT-4 align with human judgments, finding higher agreement along more objective evaluation facets. Our findings demonstrate that hierarchical structures can improve the clarity of medical summaries generated by models while maintaining content coverage, providing a practical way to improve human preference for generated summaries.
- Abstract（参考訳）: 医用多文書要約(MDS)は、文書間関係を効果的に管理する必要がある複雑な作業である。
本稿では,MDSの入力に階層構造を組み込むことで,従来のフラットな要約手法と比較して,文書間で情報を整理・コンテキスト化する能力を向上させることができるかを検討する。
本稿では,3つの大規模言語モデル(LLM)に階層的組織を組み込む2つの方法について検討し,自動メトリクス,モデルベースメトリクス,ドメインエキスパートによる嗜好,理解可能性,明快さ,複雑性,関連性,カバレッジ,事実性,一貫性の総合的な評価を行う。
本研究は,人文要約よりもモデル生成要約を好むことを示す。
階層的アプローチは一般に情報の事実性、カバレッジ、一貫性を保ちながら、要約に対する人間の嗜好も増す。
さらに, GPT-4のシミュレーションによる判断が人間の判断と一致しているかを検討した。
その結果, 階層構造は, コンテンツカバレッジを維持しながら, モデルが生成する医用要約の明瞭さを向上し, 生成した要約に対する人間の嗜好を改善するための実践的な方法であることがわかった。
関連論文リスト
- Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - Learning to Summarize by Learning to Quiz: Adversarial Agentic Collaboration for Long Document Summarization [86.98098988779809]
SummQは長期文書要約のための新しい逆多重エージェントフレームワークである。
提案手法では,包括的な要約を作成し,評価するために協調作業を行う要約ジェネレータとレビュアーを用いる。
広範に使用されている3つの文書要約ベンチマーク上でSummQを評価する。
論文 参考訳（メタデータ） (2025-09-25T08:36:19Z) - MRGSEM-Sum: An Unsupervised Multi-document Summarization Framework based on Multi-Relational Graphs and Structural Entropy Minimization [15.596156608713347]
MRGSEM-Sumはマルチリレーショナルグラフと構造エントロピー最小化に基づく教師なしマルチドキュメント要約フレームワークである。
本稿では,各クラスタを蒸留し,簡潔かつ情報的な要約を生成する位置認識圧縮機構を提案する。
論文 参考訳（メタデータ） (2025-07-31T10:14:03Z) - 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) - Summarizing Multiple Documents with Conversational Structure for
Meta-Review Generation [45.9443710073576]
学術論文のメタレビューを作成するための新しいデータセットであるPeerSumを提示する。
Rammerは、会話構造に基づくスパースアテンションと、メタデータ機能を予測するトレーニング目標を利用するモデルである。
論文 参考訳（メタデータ） (2023-05-02T15:18:18Z) - How to Find Strong Summary Coherence Measures? A Toolbox and a
Comparative Study for Summary Coherence Measure Evaluation [3.434197496862117]
球面上での要約コヒーレンスモデリングのための様々な手法を大規模に検討する。
システム内相関とバイアス行列という2つの新しい分析尺度を導入し,コヒーレンス尺度のバイアスを識別し,システムレベルの共同設立者に対して堅牢性を提供する。
現在利用可能な自動コヒーレンス対策はいずれも、すべての評価指標にわたるシステム要約に信頼性の高いコヒーレンススコアを割り当てることはできないが、大規模言語モデルは、異なる要約の長さにわたって一般化する必要があることを考慮すれば、有望な結果を示す。
論文 参考訳（メタデータ） (2022-09-14T09:42:19Z) - Parallel Hierarchical Transformer with Attention Alignment for
Abstractive Multi-Document Summarization [4.035753155957699]
MDS (Abstractive Multi-Document Summarization) は、その長大かつリンクされたソースの表現とカバレッジに課題をもたらす。
本研究は,MDSのアライメントを考慮した並列階層変換器(PHT)を開発した。
論文 参考訳（メタデータ） (2022-08-16T17:02:48Z) - SummEval: Re-evaluating Summarization Evaluation [169.622515287256]
総合的かつ一貫した方法で14の自動評価指標を再評価する。
上記の自動評価指標を用いて,最近の要約モデル23をベンチマークした。
我々は、CNN/DailyMailニュースデータセットでトレーニングされたモデルによって生成された最大の要約コレクションを組み立てる。
論文 参考訳（メタデータ） (2020-07-24T16:25:19Z)
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。