論文の概要: LECTOR: Joint Optimization of Scientific Reasoning Graphs and Introduction Generation

• arxiv url: http://arxiv.org/abs/2605.25964v1
• Date: Mon, 25 May 2026 15:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.441445
• Title: LECTOR: Joint Optimization of Scientific Reasoning Graphs and Introduction Generation
• Title（参考訳）: LECTOR:科学推論グラフの統合最適化と導入生成
• Authors: Jiabei Xiao, Yizhou Wang, Chen Tang, Pengze Li, Wanli Ouyang, Shixiang Tang,
• Abstract要約: 序文は特に難解であり、論理的な健全さと検証可能な忠実さを要求する。 ほとんどのAI支援手法は、推論や構造化ではなく、タスクをテキスト生成として扱うため、深刻な欠点が生じる。 我々は,科学者の論理を厳格に追従し,高品質な引用を加え,構造化された表現を維持できる新しい論理表現協調強化学習フレームワークであるLECTORを提案する。
• 参考スコア（独自算出の注目度）: 57.70907667652966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI Scientists have shown promising progress across multiple stages of the research pipeline, among which automatic scientific paper writing remains a formidable challenge. The Introduction writing is especially challenging, which demands not only linguistic fluency, but logical soundness and verifiable faithfulness. Most AI-assisted methods treat the task as text generation instead of reasoning and structuring, leading to severe drawbacks, e.g., hallucinating citations. To address this, we first formulate the Content-Conditional Introduction Generation (CCIG) task, which requires grounding the Introduction in the paper's core evidence. We then propose LECTOR, a novel Logic-Expression Co-Reinforcement Learning framework that can strictly follow the scientist's logic, add high-quality citations and keep structured expressions. LECTOR first constructs a logic-reasoning graph from the paper's main body to serve as a verifiable logical blueprint. Subsequently, it employs a Logic-Expression Co-Rewarding mechanism to jointly optimize for both the graph's structural fidelity and the final narrative's quality. We conduct a dataset from Nature Communications papers to assess our method. Extensive experiments show consistent improvements in both logic fidelity and Introduction generation quality metrics, e.g., Graph Quality (+26.7%), Citation Quality (+8.6%), and Paper Consistency (+3.3%). Code and data are available at https://github.com/Xiao-Youth/LECTOR.
• Abstract（参考訳）: AIサイエンティストたちは、研究パイプラインの複数の段階にわたって、有望な進歩を見せている。 序文の執筆は特に困難であり、言語的な流布だけでなく、論理的な健全さと検証可能な忠実さも要求している。 ほとんどのAI支援手法は、推論や構造化ではなく、タスクをテキスト生成として扱う。 これを解決するために,まず,論文の中核となるエビデンスを根拠として,コンテンツ・コンディション・インジェクション・ジェネレーション(CCIG)タスクを定式化する。 次に、科学者の論理を厳密に追従し、高品質な引用を加え、構造化された表現を維持できる新しい論理表現協調強化学習フレームワークであるLECTORを提案する。 LECTORはまず、紙本体から論理推論グラフを構築し、検証可能な論理青写真として機能する。 その後、グラフの構造的忠実度と最終物語の品質の両方を共同で最適化するために、Logic-Expression Co-Rewardingメカニズムを使用する。 本研究では,Nature Communicationsの論文から得られたデータセットを用いて,本手法の評価を行う。 大規模な実験では、論理忠実度と導入生成品質の指標、例えばグラフ品質(+26.7%)、Citation Quality(+8.6%)、Paper Consistency(+3.3%)が一貫して改善されている。 コードとデータはhttps://github.com/Xiao-Youth/LECTORで公開されている。

関連論文リスト

• Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
  ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。 1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
  論文  参考訳（メタデータ） (2026-04-07T17:59:58Z)
• An xAI Approach for Data-to-Text Processing with ASP [39.58317527488534]
  本稿では,xAI要求に準拠するフレームワークを提案する。 テキスト記述は階層的に整理され、テキストがさらに詳細で豊かになるトップダウン構造になっている。 自然言語記述の構造の生成も論理規則によって管理される。
  論文  参考訳（メタデータ） (2023-08-30T09:09:09Z)
• MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text Generation [102.20036684996248]
  多段階推論を用いた半構造化データからテキストを生成するための,ニューロシンボリックなモジュラーアプローチであるMURMURを提案する。 WebNLG や LogicNLG のような2つのデータ・テキスト生成タスクについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-16T17:36:23Z)
• LOGEN: Few-shot Logical Knowledge-Conditioned Text Generation with Self-training [76.90793623822866]
  数ショット設定で論理的知識条件付きテキスト生成のための統一的なフレームワークを提案する。 本手法は, 自己学習を利用して, コンテンツと構造整合性に基づく擬似論理形式を抽出する。
  論文  参考訳（メタデータ） (2021-12-02T16:49:41Z)
• A Sentiment-Controllable Topic-to-Essay Generator with Topic Knowledge Graph [44.00244549852883]
  トピック知識グラフ強化デコーダを用いた,新しい感性制御型トピック・ツー・エッセイ・ジェネレータを提案する。 まず、各文に対する感情を制御するために、感情情報をジェネレータに注入し、様々なエッセイを生み出す。 知識エンティティを別々に使用する既存のモデルとは異なり、我々のモデルは知識グラフ全体を扱い、より構造化され、連結されたセマンティック情報をグラフにエンコードし、より関連するエッセイを生成する。
  論文  参考訳（メタデータ） (2020-10-12T08:06:12Z)
• Commonsense Evidence Generation and Injection in Reading Comprehension [57.31927095547153]
  本稿では,CEGI と命名された理解を読み取るためのコモンセンス・エビデンス・ジェネレーション・インジェクション・フレームワークを提案する。 この枠組みは、2種類の補助的コモンセンス証拠を包括的読解に注入し、機械に合理的思考能力を持たせる。 CosmosQAデータセットの実験では、提案されたCEGIモデルが現在の最先端アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-11T16:31:08Z)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)

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。