論文の概要: LOOMSUM:Weaving Quantitative and Narrative Evidence for Faithful Long Text-Table Summarization

• arxiv url: http://arxiv.org/abs/2609.00241v1
• Date: Mon, 31 Aug 2026 18:44:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.005491
• Title: LOOMSUM:Weaving Quantitative and Narrative Evidence for Faithful Long Text-Table Summarization
• Title（参考訳）: LOOMSUM:Fithful Long Text-Table Summarizationのための定量的・物語的エビデンス
• Abstract要約: 長い文書は、しばしば広範な物語の通路と複数の表に重要な情報を分配する。 既存の方法は、個別に支持された量的事実と分析的なステートメントを生成するが、それらを誤って関連付ける。 原位置原子証拠を抽出するトレーニング不要のフレームワークであるLOOMSUMを提案する。
• 参考スコア（独自算出の注目度）: 4.82648461764215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long documents often distribute important information across extensive narrative passages and multiple tables, making faithful summarization particularly challenging. Existing methods may generate individually supported quantitative facts and analytical statements yet associate them incorrectly, producing quantitatively plausible yet analytically unfaithful summaries. In this work, we propose LOOMSUM, a training-free framework that extracts source-grounded atomic evidence, explicitly links table-derived facts with supporting narrative analyses, and plans the discourse structure before generation. We also introduce Table-Grounded Faithfulness (TGF), a claim-level metric that separately evaluates Numeric Grounding, Analysis Support, and Relation Consistency. Experiments on the text--table summarization benchmarks FINDSum and USTT show that LOOMSUM improves analytical faithfulness while maintaining strong summarization quality. Human evaluation finds positive component-level associations with the corresponding human judgments. Our Relation Consistency metric further shows stronger agreement with human relation judgments than generic factuality metrics, indicating that explicit cross-modal linking helps reduce errors in which supported quantities are paired with incorrect narrative interpretations. Together, these findings show that faithful long text--table summarization requires not only grounding individual facts, but also preserving the relations between them.
• Abstract（参考訳）: 長い文書は、しばしば重要な情報を広範な物語の通路と複数の表に分散させ、特に忠実な要約を困難にしている。 既存の方法は、個別に支持された量的事実と分析的なステートメントを生成できるが、それらを誤って関連付け、定量的に検証可能であるが分析的に不信な要約を生成する。 本研究では,原位置原子証拠を抽出し,表由来の事実と物語分析を明示的に関連づける学習自由フレームワーク LOOMSUM を提案し,生成前の談話構造を計画する。 また,TGF(Table-Grounded Faithfulness)も導入した。これは,数値グラウンド,解析支援,関係一貫性を個別に評価するクレームレベルの指標である。 The text-table summarization benchmarks FINDSum and USTT showed that LOOMSUM improves analysisal faithfulness while maintain strong summarization quality。 人的評価は、該当する人的判断と正の成分レベルの関連を見出す。 我々の関係整合性尺度はさらに、一般的な事実性指標よりも人間関係判断と強く一致していることを示し、明示的なクロスモーダルリンクは、サポートされた量と誤った物語解釈とが一致しているエラーを減らすのに役立つことを示唆している。 これらの結果から, 忠実な長文要約は, 個々の事実の根拠となるだけでなく, 両者の関係を保っていることが示唆された。

関連論文リスト

• Stress Testing Factual Consistency Metrics for Long-Document Summarization [36.761145124360944]
  筆者らは,6つの参照自由事実性指標の信頼性を体系的に評価した。 要約に適用した7つの事実保存摂動を通して、計量ロバスト性を探索する。 以上の結果から,既存のショートフォームメトリクスは意味論的に等価な要約に対して一貫性のないスコアを生成し,情報密度の主張に対して信頼性が低下していることが判明した。
  論文  参考訳（メタデータ） (2025-11-10T23:24:25Z)
• Unstructured Evidence Attribution for Long Context Query Focused Summarization [53.08341620504465]
  固定粒度の場合よりも、より関連性が高く一貫した証拠を得るために、非構造的(すなわち任意の長さのスパン)な証拠を抽出することを提案する。 既存のシステムが、非構造的証拠をコピーし、適切に引用するのにどのように苦労しているかを示す。
  論文  参考訳（メタデータ） (2025-02-20T09:57:42Z)
• Faithful, Unfaithful or Ambiguous? Multi-Agent Debate with Initial Stance for Summary Evaluation [29.44609627447293]
  本稿では,複数のエージェントに初期スタンスを割り当てた忠実度評価を要約する手法を提案する。 我々は、このような特殊な事例を特定するために、新しい次元、曖昧さ、詳細な分類を導入します。 実験により、我々のアプローチはあいまいさの識別に役立ち、曖昧でない要約でもより強力なパフォーマンスが得られることが示された。
  論文  参考訳（メタデータ） (2025-02-12T15:46:50Z)
• FENICE: Factuality Evaluation of summarization based on Natural language Inference and Claim Extraction [85.26780391682894]
  自然言語推論とクレーム抽出(FENICE)に基づく要約のファクチュアリティ評価を提案する。 FENICEは、ソース文書内の情報と、要約から抽出されたクレームと呼ばれる一連の原子的事実との間のNLIベースのアライメントを利用する。 我々の測定基準は、事実性評価のためのデファクトベンチマークであるAGGREFACTに関する新しい技術状況を設定する。
  論文  参考訳（メタデータ） (2024-03-04T17:57:18Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Interpretable Automatic Fine-grained Inconsistency Detection in Text Summarization [56.94741578760294]
  本研究の目的は, 要約中の事実誤りの微粒化を予測し, 微粒化不整合検出の課題を提案することである。 要約における現実的不整合の検査方法に触発され,解析可能な微粒不整合検出モデルであるFinGrainFactを提案する。
  論文  参考訳（メタデータ） (2023-05-23T22:11:47Z)
• Improving Faithfulness of Abstractive Summarization by Controlling Confounding Effect of Irrelevant Sentences [38.919090721583075]
  事実整合性は、共同創設者として機能する入力テキストの無関係な部分によって引き起こされる可能性があることを示す。 そこで我々は,人間が記述した関連文を利用できる場合に利用することにより,そのような欠点を抑えるためのシンプルなマルチタスクモデルを設計する。 提案手法は,AnswerSumm citepfabbri 2021answersummデータセットの強いベースラインに対して,忠実度スコアを20%向上させる。
  論文  参考訳（メタデータ） (2022-12-19T18:51:06Z)
• Analyzing and Evaluating Faithfulness in Dialogue Summarization [67.07947198421421]
  まず,対話要約の忠実度に関するきめ細かな人間の分析を行い,生成した要約の35%以上がソース対話に忠実に一致していないことを観察する。 そこで本研究では,ルールベース変換により生成した複数選択質問を用いたモデルレベルの忠実度評価手法を提案する。
  論文  参考訳（メタデータ） (2022-10-21T07:22:43Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Factual Consistency Evaluation for Text Summarization via Counterfactual Estimation [42.63902468258758]
  本稿では,テキスト要約における事実整合性を評価するための新しい指標を提案する。 我々は3つの公開抽象テキスト要約データセットについて一連の実験を行った。
  論文  参考訳（メタデータ） (2021-08-30T11:48:41Z)

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。