論文の概要: Lacuna Inc. at SemEval-2026 Task 4: Structurally Gated State-Space Models for Disentangling Narrative Similarity
- arxiv url: http://arxiv.org/abs/2607.03482v1
- Date: Fri, 03 Jul 2026 16:48:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.630583
- Title: Lacuna Inc. at SemEval-2026 Task 4: Structurally Gated State-Space Models for Disentangling Narrative Similarity
- Title（参考訳）: Lacuna Inc. at SemEval-2026 Task 4: Structurely Gated State-Space Models for Disentangling Narrative similarity
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 41.99844472131922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present the Invariant-Variant Disentangled State-Space Model (IVD-SSM), our submission to SemEval-2026 Task 4 on Narrative Story Similarity and Narrative Representation Learning. Evaluating narrative similarity is a profound computational challenge that requires models to look past concrete, superficial elements such as specific names, actors, objects, or settings to isolate and compare abstract patterns of causality and plot progression. To model these extended causal chains without the quadratic bottlenecks of standard Transformers, we leverage a hybrid State-Space Model (Jamba-1.5-Mini). Building upon this backbone, we introduce the Structurally Gated Alignment (SGA) head, a novel, differentiable algorithmic architecture. The SGA head operates on two scales: a heavily strided Macro-path maps the coarse structural skeleton of a story, which then acts as a gating mechanism to filter a full-resolution Micro-path, actively suppressing semantic noise and superficial keyword overlaps. Evaluated on both pairwise comparative judgments (Track A) and dense representation learning (Track B), our approach demonstrates that explicitly disentangling structural invariants from lexical variants provides a robust, principled framework for deep narrative understanding.
- Abstract（参考訳）: 本稿では,Invariant-Variant Disentangled State-Space Model (IVD-SSM)を提案する。
物語の類似性を評価することは、モデルが特定の名前、俳優、オブジェクト、設定といった表面的な要素を、因果関係とプロット進行の抽象的なパターンを分離し比較するために、具体的な要素を過去のモデルで見る必要がある、深い計算課題である。
これらの拡張因果連鎖を標準変換器の二次的ボトルネックなくモデル化するために、我々はハイブリッド状態空間モデル(Jamba-1.5-Mini)を利用する。
このバックボーン上に構築されたSGA(Structurely Gated Alignment)ヘッドは,新しい,微分可能なアルゴリズムアーキテクチャである。
SGAヘッドは2つのスケールで動作する: 強靭なマクロパスはストーリーの粗い構造骨格をマッピングし、それからゲーティング機構として機能し、フル解像度のマイクロパスをフィルタリングし、セマンティックノイズと表面的なキーワード重複を積極的に抑制する。
両対比較判断 (Track A) と密表現学習 (Track B) で評価し, 語彙的不変量から構造不変量を明確に切り離すことが, 深い物語理解のための堅牢で原則化された枠組みであることを実証した。
関連論文リスト
- Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。
ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。
HERLは最先端のアプローチよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-04-18T10:50:46Z) - Shape-of-You: Fused Gromov-Wasserstein Optimal Transport for Semantic Correspondence in-the-Wild [7.4746628878102195]
Shape-of-Youは意味対応のための教師なし学習フレームワークである。
SPair-71kおよびAP-10kデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-03-12T07:22:03Z) - LitVISTA: A Benchmark for Narrative Orchestration in Literary Text [20.35180998049897]
計算的物語分析は、文学テキストにおけるリズム、緊張、感情のダイナミクスを捉えることを目的としている。
既存の大きな言語モデルは長いストーリーを生成できるが、因果一貫性に過度にフォーカスする。
本稿では,物語オーケストレーションのための高次元表現フレームワークであるVISTA Spaceを提案する。
論文 参考訳（メタデータ） (2026-01-10T06:08:28Z) - TAViS: Text-bridged Audio-Visual Segmentation with Foundation Models [123.17643568298116]
本稿では,マルチモーダル基盤モデルの知識をテキスト化するための新しいフレームワークTAViSを提案する。
これらのモデルを効果的に組み合わせることによって、SAM2とImageBind間の知識伝達の困難さと、監督のためにセグメンテーション損失のみを使用することの不十分さの2つの大きな課題が生じる。
提案手法は,シングルソース,マルチソース,セマンティックデータセットにおいて優れた性能を示し,ゼロショット設定で優れる。
論文 参考訳（メタデータ） (2025-06-13T03:19:47Z) - From Semantics to Hierarchy: A Hybrid Euclidean-Tangent-Hyperbolic Space Model for Temporal Knowledge Graph Reasoning [1.1372536310854844]
時間的知識グラフ(TKG)推論は、過去のデータに基づいて将来の出来事を予測する。
既存のユークリッドモデルはセマンティクスを捉えるのに優れているが、階層構造に苦しむ。
ユークリッドモデルと双曲モデルの両方の強みを利用する新しいハイブリッド幾何空間アプローチを提案する。
論文 参考訳（メタデータ） (2024-08-30T10:33:08Z) - SHMamba: Structured Hyperbolic State Space Model for Audio-Visual Question Answering [5.016335384639901]
AVQA(Audio-Visual Question Answering)のマルチモーダル入力により,特徴抽出と融合処理がより困難になる。
我々は、双曲幾何学と状態空間モデルの利点を統合するために、構造化双曲状態空間モデル(SHMamba: Structured Hyperbolic State Space Model)を提案する。
提案手法は,現行のすべての主要な手法の優越性を実証し,実用的なアプリケーションシナリオに適した方法である。
論文 参考訳（メタデータ） (2024-06-14T08:43:31Z) - Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。
これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。
提案手法は他の最先端アルゴリズムに対して好適に機能する。
論文 参考訳（メタデータ） (2024-05-15T00:17:48Z) - Mixed Multi-Model Semantic Interaction for Graph-based Narrative
Visualizations [10.193264105560862]
ナラティブマップは、アナリストが物語を理解するのを支援する視覚表現モデルである。
本稿では,ナラティブマップのためのセマンティックインタラクションフレームワークを提案する。
我々のSIシステムは,分析者の意図をモデル化し,物語地図の漸進的な形式化を支援することができる。
論文 参考訳（メタデータ） (2023-02-13T15:32:10Z) - Decoupled Multi-task Learning with Cyclical Self-Regulation for Face
Parsing [71.19528222206088]
顔解析のための周期的自己統制型デカップリング型マルチタスク学習を提案する。
具体的には、DML-CSRは、顔解析、バイナリエッジ、カテゴリエッジ検出を含むマルチタスクモデルを設計する。
提案手法は,Helen,CelebA-HQ,LapaMaskのデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-28T02:12:30Z) - Temporal Embeddings and Transformer Models for Narrative Text
Understanding [72.88083067388155]
キャラクタ関係モデリングのための物語テキスト理解のための2つのアプローチを提案する。
これらの関係の時間的進化は動的単語埋め込みによって説明され、時間とともに意味的変化を学ぶように設計されている。
最新の変換器モデルBERTに基づく教師付き学習手法を用いて文字間の静的な関係を検出する。
論文 参考訳（メタデータ） (2020-03-19T14:23:12Z)
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。