論文の概要: Skeleton-based Coherence Modeling in Narratives

• arxiv url: http://arxiv.org/abs/2604.02451v1
• Date: Thu, 02 Apr 2026 18:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.171918
• Title: Skeleton-based Coherence Modeling in Narratives
• Title（参考訳）: 物語における骨格に基づくコヒーレンスモデリング
• Authors: Nishit Asnani, Rohan Badlani,
• Abstract要約: 文ペア間のコヒーレンスをモデル化するための新しいSentence/Skeleton similarity Network (SSN)を提案する。 スケルトンはコヒーレンスをモデル化する上で有望な候補であると思われるが,本研究の結果から,テキストコヒーレンスを評価するためのスケルトンモデルよりも高い結果が得られた。
• 参考スコア（独自算出の注目度）: 3.799829663844584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling coherence in text has been a task that has excited NLP researchers since a long time. It has applications in detecting incoherent structures and helping the author fix them. There has been recent work in using neural networks to extract a skeleton from one sentence, and then use that skeleton to generate the next sentence for coherent narrative story generation. In this project, we aim to study if the consistency of skeletons across subsequent sentences is a good metric to characterize the coherence of a given body of text. We propose a new Sentence/Skeleton Similarity Network (SSN) for modeling coherence across pairs of sentences, and show that this network performs much better than baseline similarity techniques like cosine similarity and Euclidean distance. Although skeletons appear to be promising candidates for modeling coherence, our results show that sentence-level models outperform those on skeletons for evaluating textual coherence, thus indicating that the current state-of-the-art coherence modeling techniques are going in the right direction by dealing with sentences rather than their sub-parts.
• Abstract（参考訳）: テキストにおけるコヒーレンスをモデル化することは、長い間NLP研究者を興奮させてきたタスクである。 非コヒーレントな構造を検出し、著者が修正するのを手助けする。 ニューラルネットワークを用いて1つの文から骨格を抽出し、その骨格を用いて次の文を生成し、一貫性のある物語を生成する。 本研究の目的は,テキストのコヒーレンスを特徴付けるための指標として,後続の文間の骨格の整合性を検討することである。 本研究では,一対の文間のコヒーレンスをモデル化するSentence/Skeleton similarity Network (SSN)を提案する。 スケルトンはコヒーレンスをモデル化する上で有望な候補であると思われるが,本研究の結果は,テキストコヒーレンスを評価するためのスケルトンレベルでのモデルよりも優れており,現在最先端のコヒーレンスモデリング技術はサブパートではなく文を扱うことで正しい方向に進んでいることを示している。

関連論文リスト

• Fitting Skeletal Models via Graph-based Learning [3.059114987144684]
  本稿では,グラフ畳み込みネットワークを活用して,高密度セグメンテーションマスクから骨格表現(s-reps)を生成する新しいスケルトン化手法を提案する。 本手法は, 人工海馬と実際の海馬のセグメンテーションの両方で評価され, 有望な結果と高速な推測が得られた。
  論文  参考訳（メタデータ） (2024-09-09T03:50:41Z)
• SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence Pre-training [110.55093254677638]
  我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。 本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。 我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
  論文  参考訳（メタデータ） (2023-07-17T13:33:11Z)
• Model Criticism for Long-Form Text Generation [113.13900836015122]
  我々は,テキストの高レベル構造を評価するために,潜在空間におけるモデル批判という統計ツールを適用した。 我々は,コヒーレンス,コア,トピックスという,ハイレベルな談話の3つの代表的な側面について実験を行った。 トランスフォーマーベースの言語モデルでは、トピック構造をキャプチャできるが、構造コヒーレンスやモデリングコアスを維持するのが難しくなる。
  論文  参考訳（メタデータ） (2022-10-16T04:35:58Z)
• TopNet: Learning from Neural Topic Model to Generate Long Stories [43.5564336855688]
  Long Story Generation (LSG) は自然言語処理における目標の1つである。 短い入力を補完する高品質なスケルトン語を得るために,emphTopNetを提案する。 提案手法は骨格語選択に極めて有効であり, 自動評価と人的評価の両方において最先端のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-12-14T09:47:53Z)
• Skeletal Graph Self-Attention: Embedding a Skeleton Inductive Bias into Sign Language Production [37.679114155300084]
  近年の手話生成(SLP)では,手話言語ニューラル機械翻訳(NMT)アーキテクチャが採用されている。 本稿では,手話列を骨格グラフ構造として表現し,関節をノードとして,空間的および時間的接続をエッジとして表現する。 SLPモデルに骨格バイアスを埋め込んだ新しいグラフィカルアテンション層であるSGSAを提案する。
  論文  参考訳（メタデータ） (2021-12-06T10:12:11Z)
• Skeleton-Contrastive 3D Action Representation Learning [35.06361753065124]
  本稿では,骨格に基づく行動認識に適した特徴空間の自己教師型学習を目指す。 提案手法は,PKUデータセットとNTUデータセットのスケルトンデータからの自己教師付き学習における最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-08T14:44:59Z)
• Narrative Incoherence Detection [76.43894977558811]
  本稿では,文間セマンティック理解のための新たなアリーナとして,物語不整合検出の課題を提案する。 複数文の物語を考えると、物語の流れに意味的な矛盾があるかどうかを決定します。
  論文  参考訳（メタデータ） (2020-12-21T07:18:08Z)
• Introducing Syntactic Structures into Target Opinion Word Extraction with Deep Learning [89.64620296557177]
  目的語抽出のためのディープラーニングモデルに文の構文構造を組み込むことを提案する。 また,ディープラーニングモデルの性能向上のために,新たな正規化手法を導入する。 提案モデルは,4つのベンチマークデータセット上での最先端性能を広範囲に解析し,達成する。
  論文  参考訳（メタデータ） (2020-10-26T07:13:17Z)
• Evaluating Text Coherence at Sentence and Paragraph Levels [17.99797111176988]
  本稿では,既存の文順序付け手法の段落順序付けタスクへの適応について検討する。 また、ミニデータセットとノイズの多いデータセットを人工的に作成することで、既存のモデルの学習性と堅牢性を比較する。 我々は、リカレントグラフニューラルネットワークに基づくモデルがコヒーレンスモデリングの最適選択であると結論付けている。
  論文  参考訳（メタデータ） (2020-06-05T03:31:49Z)
• Exploiting Syntactic Structure for Better Language Modeling: A Syntactic Distance Approach [78.77265671634454]
  我々はマルチタスクの目的、すなわち、モデルが単語を同時に予測し、また「シンタクティック距離」と呼ばれる形態で真実解析木を解析する。 Penn Treebank と Chinese Treebank のデータセットによる実験結果から,地上の真理解析木を追加の訓練信号として提供すると,そのモデルはより低いパープレキシティを実現し,より良い品質で木を誘導できることが示された。
  論文  参考訳（メタデータ） (2020-05-12T15:35:00Z)
• Skeleton-Aware Networks for Deep Motion Retargeting [83.65593033474384]
  骨格間のデータ駆動動作のための新しいディープラーニングフレームワークを提案する。 我々の手法は、トレーニングセットの運動間の明確なペアリングを必要とせずに、再ターゲティングの仕方を学ぶ。
  論文  参考訳（メタデータ） (2020-05-12T12:51:40Z)

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。