論文の概要: A Training-Free Mixture-of-Agents Framework for Multi-Document Summarization using LLMs and Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2606.03867v1
• Date: Tue, 02 Jun 2026 16:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.165296
• Title: A Training-Free Mixture-of-Agents Framework for Multi-Document Summarization using LLMs and Knowledge Graphs
• Title（参考訳）: LLMと知識グラフを用いた多文書要約のための学習自由混合フレームワーク
• Authors: Cuong Vuong Tuan, Trang Mai Xuan, Tien-Cuong Nguyen, Vu-Duc Ngo, Thien Van Luong,
• Abstract要約: 文書要約(MDS)は,テキストデータの集合から重要な情報を抽出する上で重要な役割を担っている。 既存のアプローチは、複雑なドキュメント間の関係を捉えるのに苦労することが多く、大量のラベル付きデータを教師付きトレーニングに頼り、ドメインや言語をまたいだ限定的な一般化を示す。 本稿では,大規模言語モデル(LLM)と知識グラフの相補的長所を利用するMDSのための学習自由混合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.316396491271333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Document Summarization (MDS) plays a critical role in distilling essential information from collections of textual data. Existing approaches often struggle to capture complex inter-document relationships, rely heavily on large amounts of labeled data for supervised training, or exhibit limited generalization across domains and languages. To address these limitations, we present a training-free mixture-of-agents framework for MDS that leverages the complementary strengths of large language models (LLMs) and knowledge graphs. Our approach decomposes summarization into specialized agent tasks: extractive selection, knowledge-aware abstraction, and iterative refinement, each operating without task-specific fine-tuning. We unify their outputs using a multi-perspective consistency mechanism guided by LLMs. Experiments across four datasets in English and Vietnamese demonstrate state-of-the-art or competitive performance, validating the effectiveness and adaptability of our modular design.
• Abstract（参考訳）: 文書要約(MDS)は,テキストデータの集合から重要な情報を抽出する上で重要な役割を担っている。 既存のアプローチは、複雑なドキュメント間の関係を捉えるのに苦労することが多く、大量のラベル付きデータを教師付きトレーニングに頼り、ドメインや言語をまたいだ限定的な一般化を示す。 これらの制約に対処するために,大規模言語モデル(LLM)と知識グラフの相補的長所を利用するMDSのための学習自由混合フレームワークを提案する。 提案手法は,タスク固有の微調整を伴わずに,抽出選択,知識認識抽象化,反復的洗練といった特殊タスクに要約する。 LLMによって導かれる多視点整合性機構を用いて出力を統一する。 英語とベトナム語の4つのデータセットに対する実験は、最先端または競争的なパフォーマンスを示し、モジュラーデザインの有効性と適応性を検証する。

関連論文リスト

• LADLE-MM: Limited Annotation based Detector with Learned Ensembles for Multimodal Misinformation [8.769506450302154]
  LADLE-MMはLearred Ensembles for Multimodal missinformationをモデルに用いたマルチモーダル誤報検出装置である。 2つの単項枝と、画像とテキストの表現を強化する第3のマルチモーダル枝で構成されている。 バイナリとマルチラベルの分類タスクにおいて、競合的なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-23T11:14:58Z)
• Topic-Guided Reinforcement Learning with LLMs for Enhancing Multi-Document Summarization [49.61589046694085]
  マルチドキュメント要約におけるコンテンツ選択を改善するためのトピック誘導型強化学習手法を提案する。 まず、トピックラベル付きモデルに明示的にプロンプトすることで、生成した要約の情報性が向上することを示す。
  論文  参考訳（メタデータ） (2025-09-11T21:01:54Z)
• True Multimodal In-Context Learning Needs Attention to the Visual Context [69.63677595066012]
  MLLM(Multimodal Large Language Models)は、新しいタスクに適応したMICL(Multimodal In-Context Learning)を実現する。 現在のMLLMは、視覚的手がかりを無視し、テキストパターンを過度に無視する傾向にあり、真のマルチモーダル適応よりも単なるテキスト模倣に繋がる。 視覚的コンテキストへのモデルへの参加を促す,効率的な微調整戦略であるDynamic Attention Reallocation (DARA)を紹介した。
  論文  参考訳（メタデータ） (2025-07-21T17:08:18Z)
• An Information Criterion for Controlled Disentanglement of Multimodal Data [39.601584166020274]
  マルチモーダル表現学習は、複数のモーダルに固有の情報を関連付けて分解しようとする。 Disentangled Self-Supervised Learning (DisentangledSSL)は、非角表現を学習するための新しい自己教師型アプローチである。
  論文  参考訳（メタデータ） (2024-10-31T14:57:31Z)
• RA-BLIP: Multimodal Adaptive Retrieval-Augmented Bootstrapping Language-Image Pre-training [55.54020926284334]
  近年,MLLM (Multimodal Large Language Models) が注目されている。 検索拡張技術はLLMとMLLMの両方に有効なプラグインであることが証明されている。 本研究では,MLLMの新しい検索支援フレームワークであるRA-BLIP(Retrieval-Augmented Bootstrapping Language-Image Pre-training)を提案する。
  論文  参考訳（メタデータ） (2024-10-18T03:45:19Z)
• UniMEL: A Unified Framework for Multimodal Entity Linking with Large Language Models [0.42832989850721054]
  MEL(Multimodal Entities Linking)は、ウィキペディアのようなマルチモーダル知識ベースの参照エンティティに、多モーダルコンテキスト内で曖昧な言及をリンクすることを目的とした重要なタスクである。 既存の方法はMELタスクを過度に複雑にし、視覚的意味情報を見渡す。 大規模言語モデルを用いたマルチモーダル・エンティティ・リンクタスクを処理するための新しいパラダイムを確立する統一フレームワークUniMELを提案する。
  論文  参考訳（メタデータ） (2024-07-23T03:58:08Z)
• Fine-tuning Multimodal Large Language Models for Product Bundling [53.01642741096356]
  Bundle-MLLMは,大規模言語モデル(LLM)をハイブリットアイテムトークン化アプローチにより微調整する新しいフレームワークである。 具体的には、テキスト、メディア、およびリレーショナルデータを統一トークン化に統合し、テキストトークンと非テキストトークンを区別するソフトな分離トークンを導入する。 1)バンドルパターンを学習し,2)製品バンドル固有のマルチモーダルセマンティック理解の強化を行う。
  論文  参考訳（メタデータ） (2024-07-16T13:30:14Z)
• Uni-MoE: Scaling Unified Multimodal LLMs with Mixture of Experts [54.529880848937104]
  そこで我々は,MoEアーキテクチャをUni-MoEと呼ぶ一貫したMLLMを開発し,様々なモダリティを扱えるようにした。 具体的には、統一マルチモーダル表現のためのコネクタを持つモダリティ特化エンコーダを特徴とする。 マルチモーダルデータセットの包括的集合を用いた命令調整Uni-MoEの評価を行った。
  論文  参考訳（メタデータ） (2024-05-18T12:16:01Z)

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。