論文の概要: Text Summarization With Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2604.03583v1
• Date: Sat, 04 Apr 2026 04:17:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.654091
• Title: Text Summarization With Graph Attention Networks
• Title（参考訳）: グラフ注意ネットワークを用いたテキスト要約
• Authors: Mohammadreza Ardestani, Yllias Chali,
• Abstract要約: 本研究では,グラフ情報,特にRST(Rhetorical Structure Theory)およびCoref(Co-Reference)グラフを活用し,ベースライン要約モデルの性能を向上させることを目的とした。 我々は、単純な多層パーセプトロンアーキテクチャを使用し、提案したモデルにおいて、主要なデータセットであるCNN/DMにおける結果を改善した。
• 参考スコア（独自算出の注目度）: 3.9103337761169943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study aimed to leverage graph information, particularly Rhetorical Structure Theory (RST) and Co-reference (Coref) graphs, to enhance the performance of our baseline summarization models. Specifically, we experimented with a Graph Attention Network architecture to incorporate graph information. However, this architecture did not enhance the performance. Subsequently, we used a simple Multi-layer Perceptron architecture, which improved the results in our proposed model on our primary dataset, CNN/DM. Additionally, we annotated XSum dataset with RST graph information, establishing a benchmark for future graph-based summarization models. This secondary dataset posed multiple challenges, revealing both the merits and limitations of our models.
• Abstract（参考訳）: 本研究では,グラフ情報,特にRST(Rhetorical Structure Theory)およびCoref(Co-Reference)グラフを活用し,ベースライン要約モデルの性能を向上させることを目的とした。 具体的には、グラフ情報を組み込むグラフ注意ネットワークアーキテクチャを実験した。 しかし、このアーキテクチャは性能を向上しなかった。 その後、我々は単純な多層パーセプトロンアーキテクチャを使用し、提案したモデルにおいて、主要なデータセットであるCNN/DMにおける結果を改善した。 さらに、我々はXSumデータセットにRTTグラフ情報を加え、将来のグラフベース要約モデルのベンチマークを構築した。 このセカンダリデータセットは、モデルのメリットと制限の両方を明らかにするために、複数の課題を提起しました。

関連論文リスト

• GraphPFN: A Prior-Data Fitted Graph Foundation Model [27.47522328312435]
  大規模データセットで事前訓練された基礎モデルは、自然言語処理やコンピュータビジョンといった分野に変化をもたらした。 ノードレベルの予測のための事前データ付きネットワークであるGraphPFNを提案する。 最大50,000ノードのさまざまな実世界のグラフデータセットでは、GraphPFNは、微調整後の強いコンテキスト内学習のパフォーマンスと最先端の結果を示している。
  論文  参考訳（メタデータ） (2025-09-25T19:47:49Z)
• Graph Alignment for Benchmarking Graph Neural Networks and Learning Positional Encodings [4.343110120255532]
  本稿では,グラフアライメント問題に基づくグラフニューラルネットワーク(GNN)の新しいベンチマーク手法を提案する。 我々は,この問題を自己教師付き学習タスクとして捉え,グラフアライメントデータセットを生成するいくつかの方法を提案する。 実験により、異方性グラフニューラルネットワークは標準的な畳み込みアーキテクチャより優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-19T13:22:17Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
  グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。 本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
  論文  参考訳（メタデータ） (2021-04-18T10:40:37Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)

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。