The Effectiveness of Data Augmentation by Removing Unimportant sentence
Bibliographic record
Abstract
近年インターネット上の情報量は指数関数的に増加している．そのため，自動要約システム技術は必要不可欠なものとなってくると思われる．自動要約システムを構築するには要約コーパスが必要となる．しかし，多量の要約コーパスを作成するには人手が必要となりコストがかかってしまう．そこで，本研究では自動要約システムにおけるデータ拡張として，記事に対して，最も重要度の低い文を除去する手法を提案する．本研究では，Pointer-Generator モデルにおいて提案手法の効果を検証した．また，本研究の比較対象として，文書分類において用いられたデータ拡張手法である EDA (Easy Data Augmentation Techniques) や，Luhn，LexRank を用いた手法で実験を行った．Pointer-Generator モデルで用いたコーパスは CNN/Daily Mail dataset であり，トータルで，287,226 記事存在する．本研究では， 287,226 記事の他に，57,000 記事，28,000 記事において比較実験した．結果は，EDA や Luhn，LexRank を用いた手法では拡張せずに元の記事だけで学習する手法（拡張なし手法）よりも悪くなることがあったが，提案手法は全ての記事数において拡張なし手法よりも良い結果となった．
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".