論文の概要: Decoupling Generation and Selection for Budget-Constrained Faithful Summarization

• arxiv url: http://arxiv.org/abs/2608.03655v1
• Date: Tue, 04 Aug 2026 13:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.22145
• Title: Decoupling Generation and Selection for Budget-Constrained Faithful Summarization
• Title（参考訳）: 予算制約された忠実な要約のためのデカップリング生成と選択
• Abstract要約: 文予算制約付き要約のためのモジュラー・ジェネレーション・アンド・セレクション・フレームワークを提案する。 事前訓練されたジェネレータは複数の候補要約を生成し、文レベルの候補に分解される。 次に、セレクタは、明確な予算の下で、関連性、事実性、冗長性をバランスさせて最終的な要約を構築する。
• 参考スコア（独自算出の注目度）: 5.708600866689601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Abstractive summarization models remain vulnerable to factual inconsistency, redundancy, and weak length control. We propose a modular generation-and-selection framework for sentence-budget-constrained summarization. A pretrained generator produces multiple candidate summaries, which are decomposed into sentence-level candidates. A combinatorial selector then constructs the final summary by balancing relevance, factuality, and redundancy under an explicit budget. The framework supports MMR, ILP, and a DPP-inspired log-determinant objective without retraining the generator. Experiments on CNN/DailyMail, Multi-News, FaithBench, and TofuEval show consistent improvements in factuality and source-grounding metrics, especially for multi-document summarization, at the cost of lower reference-overlap scores. Human evaluation further indicates higher perceived consistency, relevance, clarity, and conciseness, with a small reduction in coherence. These results show that decoupling generation from selection provides a model-agnostic mechanism for improving factual grounding. Code is available at https://anonymous.4open.science/r/bcfs-D05E/.
• Abstract（参考訳）: 抽象的な要約モデルは、現実的な矛盾、冗長性、および弱い長さ制御に弱いままである。 文予算制約付き要約のためのモジュラー・ジェネレーション・アンド・セレクション・フレームワークを提案する。 事前訓練されたジェネレータは複数の候補要約を生成し、文レベルの候補に分解される。 組み合わせセレクタは、明示的な予算の下で、関連性、事実性、冗長性をバランスさせて最終的な要約を構築する。 このフレームワークは、ジェネレータを再トレーニングすることなく、MMR、ILP、DPPにインスパイアされた対数決定対象をサポートする。 CNN/DailyMail、Multi-News、FaithBench、TofuEvalの実験では、参照オーバーラップスコアの低いコストで、特にマルチドキュメント要約において、事実性とソースグラウンドのメトリクスが一貫した改善を示している。 人間の評価は、一貫性、関連性、明瞭さ、簡潔さをより高く、コヒーレンスを小さくすることを示している。 これらの結果から,選択からのデカップリング生成は,現実的なグラウンド化を改善するためのモデルに依存しない機構を提供することが示された。 コードはhttps://anonymous.4open.science/r/bcfs-D05E/で入手できる。

関連論文リスト

• A Hybrid Hierarchical 1D-CNN-BiLSTM Framework for Extractive Summarization of Biomedical and Clinical Text [0.39146761527401436]
  大規模な言語モデルでは抽象的な要約は極めて流動的であるが、生成された要約は事実を幻覚させることがある。 パイプラインから生成を除去し,要約を抽出文選択としてフレーミングすることで,この問題に対処する。 我々のアーキテクチャはCNNやLSTMのベースラインよりも優れており、Ablationsはより広い畳み込み受容領域が文のスコアリングを改善することを示している。
  論文  参考訳（メタデータ） (2026-09-11T19:49:33Z)
• Hacking Generative Perplexity: Why Unconditional Text Evaluation Needs Distributional Metrics [49.443264461057645]
  拡散および連続フローベースの言語モデルは、言語モデリングに対する非自己回帰的な主要な代替手段として現れている。 両方のパラダイムの進歩は、生成的複雑度(gen-PPL)によって圧倒的に追跡される。 我々は、この指標は正しくないと主張している。構築により、gen-PPLは、文法性やセマンティックコヒーレンスではなく、スコアARの下でのみ予測可能性を測定する。
  論文  参考訳（メタデータ） (2026-06-07T02:35:56Z)
• Enhancing Factuality through Consensus and Consistency in Summarization Using Minimum Bayes Risk Decoding [64.98167175790817]
  本稿では、ソース文書の一貫性と他の候補間のコンセンサスという2つの要因を考慮し、候補要約を再引用するConSUMを提案する。 我々のシステムは既存の手法と競合しており、人による評価により、生成した要約が他のシステムよりも好まれていることが確認されている。
  論文  参考訳（メタデータ） (2026-05-28T04:14:43Z)
• Budget-Aware Routing for Long Clinical Text [8.474809035213118]
  大きな言語モデルの大きな課題は、クエリ毎のトークンコストとデプロイメント全体のコストです。 文書単位のサブセットが厳格なトークン予算の下で選択される、予算付きコンテキスト選択について検討する。 関連性,カバレッジ,多様性のバランスをとるモノトンサブモジュラー目的のtextbfRCD を提案する。
  論文  参考訳（メタデータ） (2026-05-01T01:34:53Z)
• Contextual Counterfactual Credit Assignment for Multi-Agent Reinforcement Learning in LLM Collaboration [22.269718913202595]
  コンテキスト非現実的クレジット割り当て(textbftextttC3)を導入する。 textbftextttC3は、エピソード全体で報酬を分配する代わりに、個々のメッセージの因果的影響を分離する。 textbftextttC3は、確立されたベースラインよりもターミナルパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2026-03-06T20:25:11Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
  推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。 アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。 textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
  論文  参考訳（メタデータ） (2026-02-08T07:26:52Z)
• AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
  抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。 提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
  論文  参考訳（メタデータ） (2023-11-16T02:56:29Z)
• 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)
• Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven Cloze Reward [42.925345819778656]
  本稿では,グラフ拡張と意味駆動型RewarDによる抽象要約のための新しいフレームワークであるASGARDを紹介する。 本稿では,2つのエンコーダ(シーケンシャル文書エンコーダ)とグラフ構造化エンコーダ(グラフ構造化エンコーダ)の利用を提案する。 その結果、我々のモデルは、New York TimesとCNN/Daily Mailのデータセットからの入力として、知識グラフのない変種よりもはるかに高いROUGEスコアを生成することがわかった。
  論文  参考訳（メタデータ） (2020-05-03T18:23:06Z)
• Exploring Explainable Selection to Control Abstractive Summarization [51.74889133688111]
  説明可能性を重視した新しいフレームワークを開発する。 新しいペアワイズ行列は、文の相互作用、中心性、属性スコアをキャプチャする。 コンストラクタ内の文分割アテンション機構は、最終要約が所望のコンテンツを強調することを保証する。
  論文  参考訳（メタデータ） (2020-04-24T14:39:34Z)

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。