論文の概要: HiFlow: Hierarchical Feedback-Driven Optimization for Constrained Long-Form Text Generation

• arxiv url: http://arxiv.org/abs/2603.04996v1
• Date: Thu, 05 Mar 2026 09:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.170447
• Title: HiFlow: Hierarchical Feedback-Driven Optimization for Constrained Long-Form Text Generation
• Title（参考訳）: HiFlow: 制約付き長文生成のための階層的フィードバック駆動最適化
• Authors: Yifan Zhu, Guanting Chen, Bing Wei, Haoran Luo,
• Abstract要約: HiFlowは、制約付き長文生成のための階層的なフィードバック駆動最適化フレームワークである。 HiFlowは、グローバルな構造と制約モデリングのための計画層と、条件付きテキスト生成のための生成層からなる、2段階最適化プロセスとして生成を定式化する。 複数のバックボーンの実験では、ベースラインメソッドに対するHiFlowの有効性が確認されている。
• 参考スコア（独自算出の注目度）: 9.965360869116553
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language models perform well in short text generation but still struggle with long text generation, particularly under complex constraints. Such tasks involve multiple tightly coupled objectives, including global structural consistency, local semantic coherence, and constraint feasibility, forming a challenging constrained optimization problem. Existing approaches mainly rely on static planning or offline supervision, limiting effective coordination between global and local objectives during generation. To address these challenges, we propose HiFlow, a hierarchical feedback-driven optimization framework for constrained long text generation. HiFlow formulates generation as a two-level optimization process, consisting of a planning layer for global structure and constraint modeling, and a generation layer for conditioned text generation. By incorporating constraint-aware plan screening and closed-loop feedback at both levels, HiFlow enables joint optimization of planning quality and generation behavior, progressively guiding the model toward high-quality, constraint-satisfying outputs. Experiments on multiple backbones confirm HiFlow's effectiveness over baseline methods.
• Abstract（参考訳）: 大規模な言語モデルは、短いテキスト生成ではよく機能するが、特に複雑な制約の下では、長いテキスト生成に苦戦する。 このようなタスクには、グローバルな構造整合性、局所的なセマンティックコヒーレンス、制約実現可能性など、複数の密結合した目的が含まれており、困難な制約付き最適化問題を形成している。 既存のアプローチは主に静的な計画やオフラインの監督に依存しており、世代間のグローバルな目標とローカルな目標の効果的な調整を制限している。 これらの課題に対処するために,制約付き長文生成のための階層的フィードバック駆動最適化フレームワークであるHiFlowを提案する。 HiFlowは、グローバルな構造と制約モデリングのための計画層と、条件付きテキスト生成のための生成層からなる、2段階最適化プロセスとして生成を定式化する。 HiFlowは、制約対応計画スクリーニングとクローズドループフィードバックを両方のレベルに組み込むことで、計画品質と生成挙動を共同で最適化し、高品質で制約を満たす出力に向けてモデルを段階的に導く。 複数のバックボーンの実験では、ベースラインメソッドに対するHiFlowの有効性が確認されている。

関連論文リスト

• Yume-1.5: A Text-Controlled Interactive World Generation Model [78.93049063633084]
  Methodは、単一の画像やテキストプロンプトから現実的でインタラクティブで連続的な世界を生成するように設計された新しいフレームワークである。 メソッドは、キーボードベースの生成世界を探索するフレームワークを慎重に設計し、これを実現している。
  論文  参考訳（メタデータ） (2025-12-26T17:52:49Z)
• GuideFlow: Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving [22.92109402334754]
  運転計画は、エンドツーエンド(E2E)自動運転の重要な要素である。 textittextbfGuideFlowは、本質的にモード崩壊を緩和するフローマッチングプロセスを明示的にモデル化する。 textittextbfGuideFlowは、生成中の制御信号としてアグレッシブな動作をパラメータ化することで、トラジェクトリスタイルの正確な操作を可能にする。
  論文  参考訳（メタデータ） (2025-11-24T03:45:32Z)
• RAPO++: Cross-Stage Prompt Optimization for Text-to-Video Generation via Data Alignment and Test-Time Scaling [59.088798018184235]
  textbfRAPO++は、クロスプラットフォームのプロンプト最適化フレームワークである。 トレーニングデータの整合性向上、テスト時の反復スケーリング、大規模言語モデルの微調整を統一する。 RAPO++は意味的アライメント、構成的推論、時間的安定性、物理的妥当性において大きな進歩を遂げている。
  論文  参考訳（メタデータ） (2025-10-23T04:45:09Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
  DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。 社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。 結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
  論文  参考訳（メタデータ） (2025-09-30T10:36:23Z)
• A Markovian Framing of WaveFunctionCollapse for Procedurally Generating Aesthetically Complex Environments [5.114029940159893]
  手続き的コンテンツ生成は、設計者が指定した目的と、下層のタイルセットによって暗黙的に課される隣接制約の両方を満たす必要があることが多い。 マルコフ決定過程(MDP)としてWaveFunctionCol(WFC)を再構成する WFC-MDPの最適化と比較して,タスクの複雑性が増大するにつれて,共同最適化は困難である。
  論文  参考訳（メタデータ） (2025-09-12T01:51:01Z)
• SuperWriter: Reflection-Driven Long-Form Generation with Large Language Models [34.723917246316205]
  SuperWriter-Agentは、長文生成の品質と一貫性を高めるために設計されたフレームワークである。 この枠組みに基づき、7B SuperWriter-LMをトレーニングするための教師付き微調整データセットを構築した。 様々なベンチマークで実証された結果は、SuperWriter-LMが最先端のパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2025-06-04T17:27:42Z)
• UniConFlow: A Unified Constrained Generalization Framework for Certified Motion Planning with Flow Matching Models [16.275286046169594]
  生成モデルはロボットモーション生成の強力なツールとなり、様々なタスクで柔軟で多モーダルな軌道生成を可能にしている。 本論文では,同一性制約と不等式制約の両方を体系的に組み込んだトラジェクトリ生成のための統一フローマッチングフレームワークUniConFlowを提案する。 我々は移動ナビゲーションと高次元操作タスクを行い、最先端の制約付き生成プランナと比較して安全性と実現可能性の向上を図っている。
  論文  参考訳（メタデータ） (2025-06-03T14:48:04Z)
• ComfyMind: Toward General-Purpose Generation via Tree-Based Planning and Reactive Feedback [15.363560226232668]
  我々は、堅牢でスケーラブルな汎用生成を可能にするために設計されたコラボレーティブAIシステムであるComfyMindを紹介する。 ComfyMindでは,低レベルのノードグラフをコール可能な関数言語に抽象化するセマンティックインターフェース(SWI)と,検索ツリー計画機構という,2つのコアイノベーションを紹介している。 我々はComfyBench、GenEval、Reason-Editの3つの公開ベンチマークでComfyMindを評価した。
  論文  参考訳（メタデータ） (2025-05-23T13:53:03Z)
• HiFlow: Training-free High-Resolution Image Generation with Flow-Aligned Guidance [70.69373563281324]
  HiFlowはトレーニング不要でモデルに依存しないフレームワークで、事前トレーニングされたフローモデルの解像度ポテンシャルを解放する。 HiFlowはT2Iモデルの高解像度画像合成の品質を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-04-08T17:30:40Z)
• GrootVL: Tree Topology is All You Need in State Space Model [66.36757400689281]
  GrootVLは、視覚的タスクとテキストタスクの両方に適用できる多目的マルチモーダルフレームワークである。 本手法は, 画像分類, オブジェクト検出, セグメンテーションにおいて, 既存の構造化状態空間モデルよりも大幅に優れる。 大規模言語モデルの微調整により,本手法は訓練コストの少ない複数のテキストタスクにおいて一貫した改善を実現する。
  論文  参考訳（メタデータ） (2024-06-04T15:09:29Z)
• PLANET: Dynamic Content Planning in Autoregressive Transformers for Long-form Text Generation [47.97523895218194]
  本稿では,自己回帰型自己認識機構を利用してコンテンツ計画と表面実現を動的に行う新しい生成フレームワークを提案する。 本フレームワークは,単語のバッグをベースとした文レベルのセマンティックプランを維持するために,トランスフォーマーデコーダを潜在表現で強化する。
  論文  参考訳（メタデータ） (2022-03-17T05:52:35Z)

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。