論文の概要: MASF: A Multi-Model Adaptive Selection Framework for Abstractive Text summarization

• arxiv url: http://arxiv.org/abs/2606.05494v1
• Date: Wed, 03 Jun 2026 22:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.431654
• Title: MASF: A Multi-Model Adaptive Selection Framework for Abstractive Text summarization
• Title（参考訳）: MASF:抽象テキスト要約のための多モデル適応選択フレームワーク
• Authors: Ahmed Alansary, Ali Hamdi,
• Abstract要約: 本稿では,抽象的テキスト要約の堅牢性と品質を向上させるために,多モデル適応要約フレームワークを提案する。 複数の微調整変換器に基づく要約モデルを統合し、適応的な選択機構を導入する。 BERTScoreのスコアは88.63%であり、全ての比較手法の中で最高である。
• 参考スコア（独自算出の注目度）: 0.2864713389096699
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Automatic text summarization has become increasingly important due to the rapid growth of digital textual information. This paper presents a Multi-Model Adaptive Summarization Framework designed to improve the robustness and quality of abstractive text summarization. Relying on a single model often leads to inconsistent summarization quality across articles with varying structures and topics. To address this limitation, the proposed framework integrates multiple fine-tuned transformer-based summarization models and introduces an adaptive selection mechanism. In this framework, each model independently generates a candidate summary for the same input article. The generated summaries are then evaluated using automatic evaluation metrics that capture both lexical similarity and semantic relevance. Based on these scores, the framework selects the highest-quality summary as the final output. The models are fine-tuned and evaluated on the widely used CNN/DailyMail news summarization dataset. Experimental results demonstrate that the proposed framework achieves the highest BERTScore among all compared methods with a score of 88.63%. It also outperforms several LLMs such as GPT3-D2, Falcon-7b, and Mpt-7b, highlighting its effectiveness and robustness. These findings highlight the effectiveness of leveraging multiple transformer-based models within an adaptive selection strategy to improve the quality and robustness of automatic text summarization systems.
• Abstract（参考訳）: デジタルテキスト情報の急速な増加に伴い,自動要約がますます重要になっている。 本稿では,抽象的テキスト要約の堅牢性と品質を向上させるために,多モデル適応要約フレームワークを提案する。 単一のモデルで考えると、さまざまな構造やトピックを持つ記事間の一貫性のない要約品質につながることが多い。 この制限に対処するため、提案フレームワークは、複数の微調整トランスフォーマーに基づく要約モデルを統合し、適応的な選択機構を導入する。 このフレームワークでは、各モデルが独立して同じ入力項目の候補要約を生成する。 生成された要約は、語彙的類似性と意味的関連性の両方を捉える自動評価指標を用いて評価される。 これらのスコアに基づいて、フレームワークは最終出力として最高品質の要約を選択する。 モデルは、広く使われているCNN/DailyMailニュース要約データセットに基づいて微調整され、評価される。 実験結果から,提案フレームワークは全比較手法の中で最高88.63%のBERTScoreを達成していることがわかった。 また、GPT3-D2、Falcon-7b、Mpt-7bといったいくつかのLCMよりも優れており、その有効性と堅牢性を強調している。 これらの結果は,自動テキスト要約システムの品質とロバスト性を改善するために,適応的選択戦略において複数のトランスフォーマーモデルを活用することの有効性を浮き彫りにした。

関連論文リスト

• Trait-Aware Policy Optimization for Autoregressive Multi-Trait Essay Scoring [27.596544379317436]
  Trait-Aware Policy Optimization (TAPO)は、自動回帰型マルチトレーディングスコアリングに適したポストトレーニングフレームワークである。 提案手法は,グローバルスコアリングの整合性,特性レベルの精度,フォーマットの妥当性,トランジット間の依存性の保存を組み合わせ,サンプルと特性の両面から報酬を分解する。
  論文  参考訳（メタデータ） (2026-05-25T11:41:37Z)
• Q-Save: Towards Scoring and Attribution for Generated Video Evaluation [65.83319736145869]
  本稿では,AIGV品質の総合評価のためのベンチマークデータセットとモデルであるQ-Saveを紹介する。 データセットには10000近いビデオが含まれており、それぞれにスカラー平均評価スコア(MOS)と微粒な属性ラベルが付与されている。 品質評価と属性に基づく説明を共同で行う統一評価モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:00:21Z)
• TWSSenti: A Novel Hybrid Framework for Topic-Wise Sentiment Analysis on Social Media Using Transformer Models [0.0]
  本研究では,感情分類の精度と頑健性を改善するために,トランスフォーマーモデルを組み合わせたハイブリッドフレームワークについて検討する。 このフレームワークは、ノイズの多いデータ、コンテキストのあいまいさ、さまざまなデータセット間の一般化といった課題に対処する。 この研究は、ソーシャルメディアのモニタリング、顧客感情分析、世論の追跡など、現実世界のタスクへの適用性を強調している。
  論文  参考訳（メタデータ） (2025-04-14T05:44:11Z)
• Multi-Level Attention and Contrastive Learning for Enhanced Text Classification with an Optimized Transformer [0.0]
  本稿では,テキスト分類タスクにおけるモデルの性能と効率を改善するために,改良されたトランスフォーマーに基づくテキスト分類アルゴリズムについて検討する。 改良されたTransformerモデルは、BiLSTM、CNN、標準Transformer、BERTといった比較モデルよりも、分類精度、F1スコア、リコールレートで優れている。
  論文  参考訳（メタデータ） (2025-01-23T08:32:27Z)
• Assessment of Transformer-Based Encoder-Decoder Model for Human-Like Summarization [0.05852077003870416]
  この研究は、トランスフォーマーベースのBARTモデルを利用して人間のような要約を行う。 エンコーダ・デコーダモデルの訓練および微調整において,多種多様なサンプル記事を用いて検証を行った。 微調整モデルの性能をベースライン事前訓練モデルと比較する。 BBC Newsの記事に載った実証的な結果は、人間によって書かれた金の標準要約の方が17%も現実的に一貫性があることを示している。
  論文  参考訳（メタデータ） (2024-10-22T09:25:04Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Large Language Models are Diverse Role-Players for Summarization Evaluation [82.31575622685902]
  文書要約の品質は、文法や正しさといった客観的な基準と、情報性、簡潔さ、魅力といった主観的な基準で人間の注釈者によって評価することができる。 BLUE/ROUGEのような自動評価手法のほとんどは、上記の次元を適切に捉えることができないかもしれない。 目的と主観の両面から生成されたテキストと参照テキストを比較し,総合的な評価フレームワークを提供するLLMに基づく新しい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-27T10:40:59Z)
• Long Document Summarization with Top-down and Bottom-up Inference [113.29319668246407]
  本稿では、2つの側面の要約モデルを改善するための原則的推論フレームワークを提案する。 我々のフレームワークは、トップレベルが長距離依存性をキャプチャするドキュメントの階層的な潜在構造を前提としています。 本稿では,様々な要約データセットに対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-03-15T01:24:51Z)
• Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
  Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。 我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。 実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
  論文  参考訳（メタデータ） (2020-10-06T02:51:02Z)

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。