論文の概要: From Global to Local: Learning Context-Aware Graph Representations for Document Classification and Summarization

• arxiv url: http://arxiv.org/abs/2603.00021v1
• Date: Tue, 03 Feb 2026 14:48:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:07.961432
• Title: From Global to Local: Learning Context-Aware Graph Representations for Document Classification and Summarization
• Title（参考訳）: グローバルからローカルへ:文書分類と要約のための文脈認識グラフ表現の学習
• Authors: Ruangrin Ldallitsakool, Margarita Bugueño, Gerard de Melo,
• Abstract要約: 本稿では,グラフベースの文書表現を自動的に構築するデータ駆動方式を提案する。 我々は動的スライディング・ウインドウ・アテンション・モジュールを利用して文間の意味的依存関係をキャプチャする。 本稿では,抽出文書要約のためのグラフ構築手法の探索的評価を行う。
• 参考スコア（独自算出の注目度）: 18.674554099946203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a data-driven method to automatically construct graph-based document representations. Building upon the recent work of Bugueño and de Melo (2025), we leverage the dynamic sliding-window attention module to effectively capture local and mid-range semantic dependencies between sentences, as well as structural relations within documents. Graph Attention Networks (GATs) trained on our learned graphs achieve competitive results on document classification while requiring lower computational resources than previous approaches. We further present an exploratory evaluation of the proposed graph construction method for extractive document summarization, highlighting both its potential and current limitations. The implementation of this project can be found on GitHub.
• Abstract（参考訳）: 本稿では,グラフベースの文書表現を自動的に構築するデータ駆動方式を提案する。 ブジェニョとデ・メロ(2025年)の最近の研究に基づいて、動的スライディング・ウインドウ・アテンション・モジュールを活用し、文間の局所的および中距離的セマンティックな依存関係と文書の構造的関係を効果的に捉える。 学習したグラフに基づいてトレーニングされたグラフ注意ネットワーク(GAT)は,従来の手法よりも少ない計算資源を必要としながら,文書分類における競合的な結果を達成している。 さらに,抽出文書要約のためのグラフ構築手法の探索的評価を行い,そのポテンシャルと現在の限界を明らかにする。 このプロジェクトの実装はGitHubで見ることができる。

関連論文リスト

• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• ABCD-LINK: Annotation Bootstrapping for Cross-Document Fine-Grained Links [57.514511353084565]
  我々は、最高のパフォーマンスのアプローチを選択し、文書間リンクに注釈を付けるための新しいドメインに依存しないフレームワークを提案する。 当社のフレームワークを2つの異なるドメイン – ピアレビューとニュース – に適用しています。 結果として得られた新しいデータセットは、メディアフレーミングやピアレビューなど、数多くのクロスドキュメントタスクの基礎を築いた。
  論文  参考訳（メタデータ） (2025-09-01T11:32:24Z)
• Rethinking Graph-Based Document Classification: Learning Data-Driven Structures Beyond Heuristic Approaches [21.922739597512955]
  本稿では,データ駆動型グラフ構造を学習し,手動設計の必要性を排除し,ドメイン依存を減らす手法を提案する。 提案手法は,文の重み付きグラフをノードとして構築し,エッジは文ペア間の依存関係を識別する自己認識モデルを用いて学習する。
  論文  参考訳（メタデータ） (2025-07-18T12:05:54Z)
• Hierarchical Attention Graph for Scientific Document Summarization in Global and Local Level [3.7651378994837104]
  ロングインプットは、文間の大域的高次関係と局所的文内関係を同時にモデル化することを妨げる。 本稿では,階層的談話構造に基づく文書のモデル化にグラフニューラルネットワークを用いた新しい手法であるHAESumを提案する。 提案手法を2つのベンチマークデータセットで検証し,実験結果からHAESumの有効性を実証した。
  論文  参考訳（メタデータ） (2024-05-16T15:46:30Z)
• GraphKD: Exploring Knowledge Distillation Towards Document Object Detection with Structured Graph Creation [14.511401955827875]
  ドキュメントにおけるオブジェクト検出は、構造的要素の識別プロセスを自動化するための重要なステップである。 文書画像中の文書オブジェクトを正しく識別し,ローカライズするための,グラフベースの知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-17T23:08:32Z)
• Enhancing Visually-Rich Document Understanding via Layout Structure Modeling [91.07963806829237]
  レイアウトの知識をモデルに注入する新しい文書理解モデルであるGraphLMを提案する。 我々は、FUNSD、XFUND、CORDなど様々なベンチマークでモデルを評価し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-08-15T13:53:52Z)
• Sparse Structure Learning via Graph Neural Networks for Inductive Document Classification [2.064612766965483]
  帰納的文書分類のための新しいGNNに基づくスパース構造学習モデルを提案する。 本モデルでは,文間の不連続な単語を接続する訓練可能なエッジの集合を収集し,動的文脈依存性を持つエッジを疎結合に選択するために構造学習を用いる。 いくつかの実世界のデータセットの実験では、提案されたモデルがほとんどの最先端の結果より優れていることが示されている。
  論文  参考訳（メタデータ） (2021-12-13T02:36:04Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Integrating Semantics and Neighborhood Information with Graph-Driven Generative Models for Document Retrieval [51.823187647843945]
  本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。 この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
  論文  参考訳（メタデータ） (2021-05-27T11:29:03Z)
• 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。