論文の概要: A Hybrid Hierarchical 1D-CNN-BiLSTM Framework for Extractive Summarization of Biomedical and Clinical Text

• arxiv url: http://arxiv.org/abs/2609.13481v1
• Date: Fri, 11 Sep 2026 19:49:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.334043
• Title: A Hybrid Hierarchical 1D-CNN-BiLSTM Framework for Extractive Summarization of Biomedical and Clinical Text
• Title（参考訳）: バイオメディカルテキストと臨床テキストの抽出要約のためのハイブリッド階層型1D-CNN-BiLSTMフレームワーク
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.39146761527401436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models have made abstractive summarization remarkably fluent, but generated summaries can hallucinate facts, posing serious risks in biomedical and clinical domains. We address this by removing generation from the pipeline and framing summarization as extractive sentence selection. Our Hybrid Hierarchical CNN-LSTM Summarizer uses stacked multi-kernel convolutions to compose sentence-level embeddings into richer inter-sentence representations, followed by a bidirectional LSTM to model long-range dependencies across the document. A lightweight scoring head assigns per-sentence importance scores and is trained end-to-end with binary cross-entropy against oracle extractive labels. At inference, a dynamic mean-plus-standard-deviation threshold with a top-3 fallback selects sentences directly from the source and chronologically reorders them into the final summary. Since every output sentence is copied from the input, the model avoids generation-induced factual drift. On PubMed, our architecture outperforms isolated CNN and LSTM baselines, while ablations show that wider convolutional receptive fields improve sentence scoring. On MIMIC-CXR and MIMIC-IV BHC, the model performs well on unstructured narratives but defaults toward positional baselines on highly templated reports. These results suggest that structural constraints can provide a reliable path toward factually grounded summarization systems that are trustworthy by design rather than by correction.
• Abstract（参考訳）: 大規模な言語モデルは抽象的な要約を著しく流動的にしたが、生成された要約は事実を幻覚させ、医学や臨床の領域で深刻なリスクを生じさせる。 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Hybrid Hierarchical CNN-LSTM Summarizerは、スタックされたマルチカーネル畳み込みを使用して、文レベルの埋め込みをよりリッチな文間表現に構成し、続いて双方向のLSTMで文書全体の長距離依存関係をモデル化します。 軽量スコアリングヘッドは、文単位の重要度スコアを割り当て、オラクル抽出ラベルに対してバイナリクロスエントロピーでエンドツーエンドに訓練される。 推測において、トップ3フォールバックを持つ動的平均+標準偏差閾値は、ソースから直接文を選択し、時系列的に最終要約に並べ替える。 全ての出力文は入力からコピーされるので、モデルは生成によって引き起こされる事実のドリフトを避ける。 PubMedでは、我々のアーキテクチャはCNNと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。 MIMIC-CXR と MIMIC-IV BHC では、このモデルは非構造化の物語に対して良好に機能するが、高度にテンプレート化されたレポートに対する位置ベースラインに対してデフォルトとなる。 これらの結果から, 構造的制約は, 補正よりも設計にふさわしい実地的な要約システムへの信頼性の高い経路を導出できることが示唆された。

関連論文リスト

• AnchorDiff: Topology-Aware Masked Diffusion with Confidence-based Rewriting for Radiology Report Generation [2.2748974006378933]
  医用画像から臨床的に正確なテキストレポートを自動生成することを目的とする。 既存の手法は自己回帰(AR)言語モデルに依存しており、因果依存性構造は生成を一方向の左から右へのプロセスに制限する。 本稿では,知識グラフに基づく臨床アンカーを拡散言語モデリングに統合したRRGのための最初のマスク付き拡散フレームワークであるAnchorDiffを提案する。
  論文  参考訳（メタデータ） (2026-05-16T16:42:43Z)
• Attention-Based Multimodal Survival Prediction with Cross-Modal Bilinear Fusion [1.4203297056262238]
  患者レベル生存予測のための新しいディープラーニングフレームワークを提案する。 全スライディング組織学の特徴、RNA-seq発現プロファイル、臨床変数を統合している。 我々のアーキテクチャは、スライドレベルの表現のためのAMMILモジュールciteilse2018アテンションと、RNAおよび臨床データのためのフィードフォワードエンコーダを組み合わせたものである。
  論文  参考訳（メタデータ） (2026-05-12T13:09:25Z)
• Continuous Latent Diffusion Language Model [48.974403879186916]
  大規模言語モデルは自己回帰パラダイムの下で顕著な成功を収めた。 既存の代替手段は、生成効率、スケーラブルな表現学習、効果的なグローバルセマンティックモデリングを共同で達成するのに依然として苦労している。 階層型情報分解によりテキスト生成をフレーム化する階層型潜在拡散言語モデルCola DLMを提案する。
  論文  参考訳（メタデータ） (2026-05-07T16:44:56Z)
• Self-Improving Tabular Language Models via Iterative Group Alignment [76.43372236405664]
  自動フィードバックによるデータ生成のための,最初の自己改善フレームワークであるTabGRAAを紹介する。 新たに生成されたサンプルを高品質なグループと低品質なグループに分割し、グループ相対的な有利な目標を優先順位付けする。 実験では、TabGRAAは、忠実さ、ユーティリティ、プライバシにおいて、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2026-04-21T01:29:52Z)
• CMT-Bench: Cricket Multi-Table Generation Benchmark for Probing Robustness in Large Language Models [11.167804698594866]
  我々は,ライブクリケットによる診断ベンチマークであるCMT-Benchを紹介する。 抽出サマリー,入力長による単調な劣化,実体形変化による一貫した精度低下を伴わない大きな滴が見つかる。
  論文  参考訳（メタデータ） (2025-10-20T23:51:28Z)
• Context-Aware Hierarchical Merging for Long Document Summarization [56.96619074316232]
  本論文では,階層的なマージをソース文書からコンテキストと統合する手法を提案する。 法的および物語的領域を表すデータセットの実験結果は、文脈的拡張がゼロショットと階層的な融合ベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-03T01:14:31Z)
• 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)
• HETFORMER: Heterogeneous Transformer with Sparse Attention for Long-Text Extractive Summarization [57.798070356553936]
  HETFORMERはトランスフォーマーをベースとした事前学習モデルであり、抽出要約のための多粒度スパースアテンションを持つ。 単一文書と複数文書の要約タスクの実験から,HETFORMERがルージュF1の最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2021-10-12T22:42:31Z)
• Fact-level Extractive Summarization with Hierarchical Graph Mask on BERT [9.271716501646194]
  より優れた抽出要約のためのファクトレベルのセマンティックユニットを抽出することを提案する。 階層グラフマスクを用いてBERTにモデルを組み込む。 CNN/DaliyMailデータセットの実験は、我々のモデルが最先端の結果を得ることを示す。
  論文  参考訳（メタデータ） (2020-11-19T09:29:51Z)
• 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)
• 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。