論文の概要: ttda704 at SemEval-2026 Task 4: Modeling Narrative Structures via Pseudonymization and Multi-View Sentence Alignment
- arxiv url: http://arxiv.org/abs/2606.15783v1
- Date: Sun, 14 Jun 2026 12:33:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.849144
- Title: ttda704 at SemEval-2026 Task 4: Modeling Narrative Structures via Pseudonymization and Multi-View Sentence Alignment
- Title（参考訳）: ttda704 at SemEval-2026 Task 4: 擬似化と多視点文アライメントによる物語構造モデリング
- Abstract要約: 本稿では,SemEval 2026 Task 4: Narrative Story similarity and Narrative Representation Learningを提案する。
我々のソリューションは、微調整文変換器によるコントラスト学習を用いて、抽象的なテーマ、アクションのコース、結果の物語的類似性をキャプチャする。
- 参考スコア（独自算出の注目度）: 0.006227637802384129
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present our approach to SemEval 2026 Task 4: Narrative Story Similarity and Narrative Representation Learning. Our solution uses contrastive learning with fine-tuned sentence transformers to capture narrative similarity across abstract themes, course of action, and outcomes. We develop two pipelines: (Track A) a single-view method that encodes full narratives with smart layer freezing to reduce overfitting, and (Track B) a multi-view method that models theme, plot, and outcome with view-specific projection heads and self-supervised alignment. Both pipelines build on sentence-transformers models and are trained with contrastive loss on synthetic data. The code is available at the following GitHub repository: https://github.com/dinhthienan33/SemEval2026-Task4-ttda704.
- Abstract（参考訳）: 本稿では,SemEval 2026 Task 4: Narrative Story similarity and Narrative Representation Learningを提案する。
我々のソリューションは、微調整文変換器を用いたコントラスト学習を用いて、抽象的なテーマ、アクションのコース、結果の物語的類似性をキャプチャする。
筆者らは2つのパイプラインを開発した: (トラックA) スマート層凍結で物語全体をエンコードしてオーバーフィッティングを減らすシングルビュー法, (トラックB) テーマ、プロット、結果をビュー固有の投影ヘッドと自己監督アライメントでモデル化するマルチビュー法。
両方のパイプラインは文変換モデルに基づいて構築され、合成データに対照的な損失を伴って訓練される。
コードは以下のGitHubリポジトリで入手できる。
関連論文リスト
- Lacuna Inc. at SemEval-2026 Task 4: Structurally Gated State-Space Models for Disentangling Narrative Similarity [41.99844472131922]
Invariant-Variant Disentangled State-Space Model (IVD-SSM)を提案する。
本稿では,物語類似性と物語表現学習に関するSemEval-2026タスク4について紹介する。
論文 参考訳（メタデータ） (2026-07-03T16:48:39Z) - SemEval-2026 Task 4: Narrative Story Similarity and Narrative Representation Learning [19.12375946360358]
本稿では,物語類似性と物語表現学習における共有課題であるNSNRLについて述べる。
本稿では,物語論と直観的判断の両面に相反する,物語的類似性の新たな定義を導入する。
この概念に基づいて収集された類似性判定に基づいて,物語の埋め込み表現も評価する。
論文 参考訳（メタデータ） (2026-04-23T15:39:09Z) - SPoRC-VIST: A Benchmark for Evaluating Generative Natural Narrative in Vision-Language Models [0.0]
エンド・ツー・エンドのビジュアルポッドキャスト生成のための新しいパイプラインを提案する。
Qwen3-VL-32Bモデルを4000対の画像対のキュレートデータセット上に微調整する。
実験により、細調整された32Bモデルは会話自然性において235Bベースモデルよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2026-01-03T04:11:58Z) - Learning to Localize Actions in Instructional Videos with LLM-Based Multi-Pathway Text-Video Alignment [53.12952107996463]
本研究は,訓練ビデオにおけるプロシージャステップの時間的境界をローカライズするための新しいトレーニングフレームワークを提案する。
手続き理解とテキスト要約におけるLLM(Large Language Models)の強みに感銘を受けて,まずLLMを適用し,課題関連情報を抽出し,課題関連手順をナレーションから要約する。
LLMステップとトレーニング用ビデオとの信頼性の高い擬似マッチングを生成するために,MPTVA(Multi-Pathway Text-Video Alignment)戦略を提案する。
論文 参考訳（メタデータ） (2024-09-22T18:40:55Z) - Learning Vision from Models Rivals Learning Vision from Data [54.43596959598465]
合成画像と合成キャプションのみから視覚表現を学習するための新しいアプローチであるSynCLRを紹介する。
LLMを用いて画像キャプションの大規模なデータセットを合成し,既製のテキスト・ツー・イメージモデルを用いて合成キャプションに対応する複数の画像を生成する。
比較学習によって合成画像の視覚的表現学習を行い、同じ字幕を共有するイメージを正のペアとして扱う。
論文 参考訳（メタデータ） (2023-12-28T18:59:55Z) - An Impartial Transformer for Story Visualization [0.0]
Impartial Transformerはテキストに関連のある可視的なシーンとシーケンシャルな一貫性の両方を達成する。
この強化は、閉ざされたオブジェクトによる「硬い」サンプルの合成を扱うことができる。
論文 参考訳（メタデータ） (2023-01-09T18:29:01Z) - TACo: Token-aware Cascade Contrastive Learning for Video-Text Alignment [68.08689660963468]
Token-Aware Cascade contrastive Learning (TACo)と呼ばれる新しいアルゴリズムは、2つの新しい手法を用いてコントラスト学習を改善する。
そこで我々は,YouCook2,MSR-VTT,ActivityNetの3つの公開テキストビデオ検索ベンチマークに最先端を新たに設定した。
論文 参考訳（メタデータ） (2021-08-23T07:24:57Z) - SummScreen: A Dataset for Abstractive Screenplay Summarization [52.56760815805357]
SummScreenは、テレビシリーズトランスクリプトと人間の書かれたリキャップのペアで構成されたデータセットです。
プロットの詳細はしばしば文字対話で間接的に表現され、書き起こしの全体にわたって散らばることがある。
キャラクタはテレビシリーズの基本であるため,2つのエンティティ中心評価指標も提案する。
論文 参考訳（メタデータ） (2021-04-14T19:37:40Z) - Video Understanding as Machine Translation [53.59298393079866]
我々は、単一の統合フレームワークを用いて、様々なダウンストリームビデオ理解タスクに取り組む。
映像分類(EPIC-Kitchens)、質問応答(TVQA)、キャプション(TVC, YouCook2, MSR-VTT)など、いくつかのダウンストリームタスクにおいて、現状よりもパフォーマンスの向上が報告されている。
論文 参考訳（メタデータ） (2020-06-12T14:07:04Z) - PlotMachines: Outline-Conditioned Generation with Dynamic Plot State
Tracking [128.76063992147016]
PlotMachinesは、動的プロット状態を追跡することによってアウトラインをコヒーレントなストーリーに変換することを学習する、ニューラルな物語モデルである。
さらに,PlotMachinesを高レベルな談話構造で強化し,モデルが物語の異なる部分に対応する筆記スタイルを学習できるようにした。
論文 参考訳（メタデータ） (2020-04-30T17:16:31Z)
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。