Structure-Preserving Document-Level Data Augmentation via Discourse Parsing
Shenzhen University(深圳大学);Shenzhen Technology University(深圳技术大学)
该研究针对现有数据增强忽略语篇结构的问题,提出基于LLMs和语篇解析的结构保留型文档级数据增强框架,在文本摘要和问答任务中提升了混合数据训练效果。
2026-10-15 cs.AI cs.CL
Privacy-Preserving Reasoning with Knowledge-Distilled Parametric Retrieval Augmented Generation
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing(北京未来区块链与隐私计算先进创新中心);School of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院);Meituan(美团)
DistilledPRAG通过知识蒸馏实现高效参数化RAG,提升隐私保护推理的准确性和泛化能力。
2025-11-27 cs.CL
SAFE-KV: Causal Suffix Repair for Behavior-Preserving Non-Prefix KV Cache Reuse in RAG
Carnegie Mellon University(卡内基梅隆大学)
SAFE-KV针对RAG中非前缀KV缓存复用的行为保留问题,通过重新编码因果后缀修复组合缓存,在Qwen2.5-7B-Instruct上大幅提升了HotpotQA-500和2Wiki-500的答案恢复率。
2026-10-14 cs.CL cs.LG
Privacy-Preserving Graph Convolutional Networks for Text Classification
图卷积网络(GCN)是用于对自然地作为图出现的文档进行表示学习的强大架构,例如,引用或社交网络。然而,敏感的个人信息,例如以人们的个人资料或关系为边缘的文档,很容易发生隐私泄露,因为经过训练的模型可能会泄露原始输入。虽然差分隐私(DP)提供了一个有充分依据的隐私保护框架,GCN提出了理论和实践的挑战,由于他们的培训细节。我们通过将基于差异私有梯度的训练适应于GCN来解决这些挑战,并使用两种优化器在两种语言的五个NLP数据集上进行实验。我们提出了一个简单而有效的方法,基于随机图分裂,不仅提高了基线隐私边界的2.7倍,同时保留竞争力的F1分数,但也提供了强大的隐私保证,?= 1.0。我们表明,在某些建模选择下,隐私保护GCN执行高达90%的非私有变体,同时正式保证强大的隐私措施。
2022-05-02 cs.CL cs.CR cs.LG
Factions Within, Uncertain Across: Within-Document Reader Sub-Groups in Social Highlighting
Glasp Inc.(Glasp公司)
通过保留边界的曲线球零模型,发现文档内读者形成强子群体,其一致性远超共享显著性预测,且大部分源于细粒度读者特定共识;跨文档稳定性未解决。
2026-06-11 cs.CL cs.HC cs.IR
SPIRE: Structure-Preserving Interpretable Retrieval of Evidence
Carnegie Mellon University(卡内基梅隆大学)
SPIRE通过树结构文档检索,在保持结构的同时提升证据检索质量与多样性,采用结构感知方法和上下文化机制,实现更高效的可解释检索。
2026-02-12 cs.AI cs.CL cs.IR
BabelDOC: Better Layout-Preserving PDF Translation via Intermediate Representation
School of Computer Engineering and Science, Shanghai University, Shanghai, China(1 上海大学计算机工程与科学学院,上海,中国);Funstory.ai Limited, Hong Kong SAR, China(2 Funstory.ai有限公司,香港特别行政区,中国);Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, China(3 上海交通大学计算机科学与工程系,上海,中国)
BabelDOC通过中间表示框架实现布局保持的PDF翻译,解决语言处理与布局保持的矛盾,提升翻译精度和文档一致性。
2026-05-11 cs.CL cs.CV
No Intruder, no Validity: Evaluation Criteria for Privacy-Preserving Text Anonymization
University College London(伦敦大学学院);Tilburg University(蒂尔堡大学)
对于NLP研究人员和从业者之间共享的敏感文本数据,共享文档需要遵守数据保护和隐私法。因此,人们对文本匿名化的自动化方法越来越感兴趣。然而,衡量此类方法的性能具有挑战性:缺失一个识别属性就可能泄露个人的身份。在本文中,我们提请注意这个问题,并认为,研究人员和从业人员开发自动文本匿名化系统应仔细评估他们的评估方法是否真正反映了系统的能力,以保护个人被重新识别。然后,我们提出了TILD,一组评估标准,包括匿名化方法的技术性能,其匿名化造成的信息丢失,以及人类对编辑文档进行去匿名化的能力。这些标准可以促进朝着用于测量匿名化性能的标准化方式的进展。
2021-03-16 cs.CL
AptMQL-Bench: From Text-to-SQL to Text-to-MQL via Access-Pattern Schema Design and Data-Preserving Migration
The University of Sydney(悉尼大学);MongoDB Research(MongoDB 研究院)
针对现有文本到SQL到文本到MQL转换的缺陷,提出基于访问模式模式设计与数据保留迁移的流水线,构建AptMQL-Bench基准,最强模型准确率仅57.38%,表明该任务仍具挑战性。
2026-10-05 cs.CL cs.DB
Constrained Abstractive Summarization: Preserving Factual Consistency with Constrained Generation
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Southern California(南加州大学)
尽管取得了重大进展,但最先进的抽象摘要方法仍然容易产生与源文档不一致的幻觉内容。在本文中,我们提出了约束抽象摘要(CAS),一个一般的设置,保持事实的一致性,抽象摘要,通过指定令牌的约束,必须存在于摘要。我们采用词汇约束解码,一种通常适用于自回归生成模型的技术,以实现CAS,并在两种情况下进行实验:(1)自动摘要没有人类参与,其中关键词从源文档中提取并用作约束;(2)人工指导的交互式摘要,其中人工反馈的形式手动约束用于指导摘要生成。两个基准数据集上的自动和人工评估表明,CAS提高了抽象摘要的词汇重叠(ROUGE)和事实一致性。特别是,我们观察到高达13.8 ROUGE-2增益时,只有一个手动约束用于交互式摘要。
2021-12-16 cs.CL
Modelling, Visualising and Summarising Documents with a Single Convolutional Neural Network
University of Oxford(牛津大学);Canadian Institute for Advanced Research(加拿大高等研究院)
捕获将单词的含义映射到文档的含义的合成过程是自然语言处理和信息检索研究人员的核心挑战。我们引入了一个模型,它能够通过将文档嵌入到低维向量空间中来表示文档的含义,同时保留对于捕捉细微语义至关重要的单词和句子顺序的区别。我们的模型是基于一个扩展的动态卷积神经网络,学习卷积过滤器在句子和文档级别,分层学习捕获和组成低级别的词汇特征到高级别的语义概念。我们证明了该模型在一系列文档建模任务上的有效性,在没有特征工程和更紧凑的模型的情况下取得了很好的效果。受计算机视觉可视化深度卷积网络的最新进展的启发,我们为我们的文档网络提出了一种新的可视化技术,不仅可以深入了解它们的学习过程,而且可以解释为产生一个引人注目的文本自动摘要系统。
2014-06-15 cs.CL cs.LG stat.ML
Efficient Zero-Shot Long Document Classification by Reducing Context Through Sentence Ranking
Pune Institute of Computer Technology(普那计算机技术研究所);Indian Institute of Technology Madras(印度理工学院马德拉斯分校);L3Cube Labs(L3Cube实验室)
针对BERT等模型在长文档分类中受输入长度和计算效率限制的问题,提出基于TF-IDF句子排序减少上下文的零样本方法,在MahaNews数据集上保留50%句子可维持准确率且推理时间最多降35%,实现高效分类。
2025-08-24 cs.CL cs.LG
Thematic Annotation: extracting concepts out of documents
与主题注释的标准方法不同,这项工作中使用的技术并不主要依赖于某种-可能是统计-关键字提取。事实上,建议的注释算法使用一个大规模的语义数据库-EDR电子词典-它提供了一个概念层次的基础上,上下义词的关系。这个概念层次结构是用来生成一个合成表示的文件,通过聚合的话存在于局部同质的文件片段到一组概念,最好地保持文件的内容。这种新的提取技术使用了一种未经探索的主题选择方法。代替使用基于语义资源的语义相似性度量,后者被处理以提取与文档内容相关的概念层次结构的部分。然后搜索这个概念层次结构,以提取最相关的概念集来表示文档中讨论的主题。请注意,该算法能够提取文档中不直接存在的通用概念。
2004-12-30 cs.CL
Reference and Document Aware Semantic Evaluation Methods for Korean Language Summarization
Kakao Corp.(Kakao公司);Kakao Enterprise Corp.(Kakao企业公司);Korea University, South Korea(韩国高丽大学);Hanshin University, South Korea(韩国韩神大学)
文本摘要是指从源文档中生成保留显著信息的较短形式的文本的过程。现有的许多文本摘要工作通常使用面向回忆的替代研究(ROUGE)分数进行评估。然而,由于ROUGE分数是基于n-gram重叠计算的,因此它们不反映生成的摘要和参考摘要之间的语义含义对应关系。由于韩语是一种粘着语言,它将各种语素组合成一个词来表达多种含义,因此ROUGE不适合韩语摘要。在本文中,我们提出了评价指标,反映语义的参考摘要和原始文件,参考和文档感知语义得分(RDASS)的含义。然后,我们提出了一种方法,用于提高人类判断的指标的相关性。评估结果表明,与人类判断的相关性显着高于我们的评估指标比ROUGE分数。
2020-11-02 cs.CL cs.LG stat.ML
GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG
University of Central Florida(中佛罗里达大学);Florida International University(佛罗里达国际大学);University of Florida(佛罗里达大学)
针对现有隐私保护RAG检索方案延迟高、易泄露的问题,提出基于阈值选择的非交互式同态加密检索框架,通过CKKS同态计算与掩码极化方法实现高效安全的检索,性能优于排名式加密方法。
2026-08-03 cs.CL cs.CR cs.IR
Example-Guided Prompting for Document-Level Text Simplification
SCE(SCE(以色列SCE学院));ScaDS.AI, TUD Dresden(ScaDS.AI,德累斯顿工业大学)
该研究针对文档级文本简化中提示指导不足的问题,提出示例引导提示方法,经OneStopEnglish语料库实验,可提升大语言模型的简化质量,性能优于或媲美相关基准系统。
2026-08-07 cs.CL
SilentRetrieval: Hijacking Retrieval-Augmented Generation via Semantically-Preserving Adversarial Data Poisoning
City University of Hong Kong(香港城市大学)
提出SilentRetrieval两阶段数据投毒攻击,通过协调束搜索和上下文自适应触发生成,在保持文档流畅性的同时实现高检索命中率和攻击成功率,并评估了防御措施的有效性。
2026-05-27 cs.CL cs.CR cs.IR
Document Sub-structure in Neural Machine Translation
University of Edinburgh(爱丁堡大学);Alibaba Group(阿里巴巴集团)
当前的机器翻译(MT)方法要么孤立地翻译句子,忽略它们出现的上下文,要么在整个文档的级别上建模上下文,而没有文档可能具有的任何内部结构的概念。在这项工作中,我们考虑的事实是,文件很少是同质的文本块,而是由不同主题的部分。一些文档,如传记和百科全书条目,具有高度可预测的规则结构,其中各部分以不同的主题为特征。我们从Louis和Webber(2014)那里得到了启发,他们使用这些信息来改进统计MT,并将他们的建议转移到神经MT的框架中。我们比较了两种不同的方法,包括信息的主题部分,其中每个句子被发现:一个使用侧约束和其他使用基于缓存的模型。我们创建并发布我们运行实验的数据-来自维基百科传记的三种语言对(中文-英语,法语-英语,西班牙语-英语)的平行语料库,我们自动提取,保留文章中的部分边界。
2020-03-10 cs.CL
AWESOME: GPU Memory-constrained Long Document Summarization using Memory Mechanism and Global Salient Content
University of Michigan(密歇根大学)
针对长文档摘要中内存受限与全局上下文缺失的矛盾,提出AWESOME框架,结合外部记忆机制与全局显著内容预识别,在降低GPU内存占用的同时提升摘要的信息量、忠实度和连贯性。
2023-11-16 cs.CL
UNL Based Bangla Natural Text Conversion - Predicate Preserving Parser Approach
East West University(东西湖大学)
通用网络语言(UNL)是一种声明性的形式语言,用于表示从自然语言文本中提取的语义数据。本文提出了一种新的方法来转换孟加拉语自然语言文本到UNL使用的方法称为谓词保持解析器(PPP)技术。PPP同步执行文本的形态、句法和语义以及词法分析。这种分析产生了一个语义网一样的结构表示使用UNL。我们演示了孟加拉语文本分析PPP技术后,产生UNL文件,然后可以翻译成任何其他合适的自然语言促进机会,通过UNL开发一个通用的语言翻译方法。
2012-06-02 cs.CL
Document-Level Abstractive Summarization
INESC-ID(里斯本系统与计算机工程研究所);Instituto Superior Técnico(高等技术学院);Universidade de Lisboa(里斯本大学);Instituto de Telecomunicações(电信研究所)
自动文本摘要的任务产生一个简洁流畅的文本摘要,同时保留关键信息和整体意义。近年来,通过使用基于Transformer体系结构的模型,文档级摘要的最新方法有了显著的改进。然而,相对于序列长度的二次存储器和时间复杂度使得它们的使用非常昂贵,特别是对于文档级摘要所需的长序列。我们的工作解决了文档级摘要的问题,通过研究如何有效的Transformer技术可以用来提高自动摘要的很长的文本。特别是,我们将使用arXiv数据集(由多篇科学论文和相应的摘要组成)作为这项工作的基线。然后,我们提出了一种新的检索增强方法的基础上的架构,通过处理较小的块,降低了整个文档的摘要生成的成本。结果低于基线,但表明更有效的记忆,消费和诚实。
2022-12-06 cs.CL cs.IR
Structured Attention Matters to Multimodal LLMs in Document Understanding
vivo Mobile Communication Co., Ltd(vivo移动通信有限公司);The University of Queensland(昆士兰大学);University of California, Merced(加州大学默塞德分校)
针对多模态大语言模型在文档理解中输入格式影响性能的问题,提出基于LaTeX范式的保结构编码方法,通过诱导结构化注意力模式减少注意力浪费,无需修改架构或额外训练即可显著提升文档问答性能。
2025-06-19 cs.AI cs.CL cs.IR
DOCMASTER: A Unified Platform for Annotation, Training, & Inference in Document Question-Answering
University of California San Diego(加利福尼亚大学圣迭戈分校);Halıcıoğlu Data Science Institute, University of California San Diego(加利福尼亚大学圣迭戈分校哈利乔格鲁数据科学学院)
本文提出DOCMASTER统一平台,在设备端集成PDF文档标注、模型训练与推理,支持布局感知和文本模型,解决文档问答中的格式复杂性与隐私保护问题,并已应用于UCSD的AI助手处理大量PDF文档。
2024-03-30 cs.CL
Word-Level Text Unmixing via Evidence-Preserving Ownership Routing with Language Models
The Chinese University of Hong Kong(香港中文大学)
针对多源文本交错问题,提出证据保持所有权路由(EPOR),将所有权预测与重建解耦,结合约束解码实现精确词级分离,在UNMIXBENCH基准上显著降低词错误率。
2026-10-06 cs.AI cs.CL
ChuLo: Chunk-Level Key Information Representation for Long Document Understanding
School of Computer Science(计算机科学学院);The University of Sydney(悉尼大学);School of Computing and Information Systems(计算与信息系统学院);The University of Melbourne(墨尔本大学);School of Physics, Mathematics and Computing(物理、数学与计算学院);The University of Western Australia(西澳大学)
针对Transformer模型处理长文档时的计算约束与信息丢失问题,提出ChuLo块表示方法,通过无监督关键短语提取分组标记,在多任务上验证有效性并开源实现。
2025-08-20 cs.CL
Cascaded Semantic and Positional Self-Attention Network for Document Classification
College of Internet of Things Engineering, Hohai University(河海大学物联网工程学院);Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University(复旦大学类脑智能科学与技术研究院);Department of Computer & Information Sciences, Temple University(天普大学计算机与信息科学系)
Transformers在学习语言建模的表示方面取得了巨大的成功。然而,一个开放的挑战仍然是如何系统地聚合语义信息(词嵌入)与位置(或时间)信息(词序)。在这项工作中,我们提出了一个新的架构来聚合的两个来源的信息,使用级联的语义和位置的自我注意力网络(CSPAN)的文件分类的背景下。CSPAN使用与Bi-LSTM级联的语义自注意层,以顺序的方式处理语义和位置信息,然后通过残差连接将它们自适应地组合在一起。与常用的位置编码方案相比,CSPAN能够更好地利用语义和词位置之间的相互作用,具有更强的可解释性和自适应性,在保持模型规模和收敛速度的同时,分类性能得到显著提高。我们评估了CSPAN模型的几个基准数据集的文件分类仔细消融研究,并证明了令人鼓舞的结果与最先进的。
2020-09-19 cs.CL
Protecting De-identified Documents from Search-based Linkage Attacks
Norwegian Computing Center(挪威计算中心)
本文提出一种方法,通过构建倒排索引和LLM重写器,有效防止基于搜索的链接攻击,同时保持文本语义完整性。
2026-10-22 cs.AI cs.CL
Term-Class-Max-Support (TCMS): A Simple Text Document Categorization Approach Using Term-Class Relevance Measure
University of Mysore(迈索尔大学)
本文提出了一种简单的基于词类相关性的文本分类方法。最初,处理文本文档以提取其中存在的重要术语。对于从文档中提取的每个术语,我们通过Guru和Suhil(2015)[1]提出的称为术语类相关性(TCR)的新术语加权方案来计算其在保留类内容方面的重要性。通过这种方式,对于每个术语,计算其与语料库中存在的所有类的相关性并存储在知识库中。在测试过程中,测试文档中存在的术语被提取,并且从存储的知识库中获得每个术语的术语类相关性。为了实现词项权重的快速查找,采用了B树索引数据结构。最后,在术语类相关性方面获得最大支持的类被确定为给定测试文档的类。所提出的方法在对数复杂度的测试时间和简单的实现相比,在文献中的任何其他文本分类技术。在各种基准数据集上进行的实验表明,所提出的方法的性能是令人满意的和令人鼓舞的。
2016-10-16 cs.CL cs.IR
ModTGCN: Modularity-aware Graph Neural Networks for Text Classification
BITS Pilani(比拉理工学院皮拉尼校区);Independent Researcher(独立研究者)
提出ModTGCN,通过联合优化交叉熵和模块化辅助目标,利用文档图的社区结构提升文本分类性能,并解构图结构实现2-10倍加速训练。
2026-06-24 cs.CL
The Injection Paradox: Brand-Level Suppression in Safety-Trained LLM Recommendations via RAG Context Injection
University of California, Berkeley(加州大学伯克利分校)
研究发现在基于RAG的LLM推荐中,安全训练会导致注入提示反而压制目标品牌推荐率,揭示了安全机制可能被逆向利用的风险。
2026-07-14 cs.CL cs.CR cs.LG
Adapt Semantics, Not Structure: Few-Instance Schema Calibration for Scientific PDF Extraction
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院);University of Science and Technology of China(中国科学技术大学);State Key Laboratory of Cognitive Intelligence(认知智能全国重点实验室);CCCC Second Highway Consultants Co., Ltd.(中交第二公路勘察设计研究院有限公司)
本文提出CPSE框架,通过从少量标注文档中校准抽取提示和字段语义,在保持结构契约的同时提升科学PDF抽取性能,实验显示比基线提高9.93个百分点。
2026-09-29 cs.CL
KeyGen2Vec: Learning Document Embedding via Multi-label Keyword Generation in Question-Answering
Eindhoven University of Technology(埃因霍温理工大学);BRIN Indonesia(印度尼西亚国家研究与创新署)
本文提出KeyGen2Vec,通过Seq2Seq多标签关键词生成学习文档嵌入,减少对标签监督的依赖,并在cQA数据集上验证其优于多标签分类器且可与主题标签监督方法竞争。
2023-10-30 cs.CL
Unveil: Unified Visual-Textual Integration and Distillation for Multi-modal Document Retrieval
State Key Laboratory of General Artificial Intelligence, Peking University(北京理工大学通用人工智能国家重点实验室);School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院);Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院航空航天信息研究所);Key Laboratory of Target Cognition and Application Technology(目标认知与应用技术重点实验室);Beijing Institute of Technology(北京理工大学);Ucap Cloud(Ucap云)
提出Unveil框架,通过视觉-文本嵌入和知识蒸馏实现鲁棒的文档检索,兼顾布局与语义信息。
2026-05-23 cs.CL cs.CV
Order-Preserving Abstractive Summarization for Spoken Content Based on Connectionist Temporal Classification
National Taiwan University(台湾大学)
连接主义时态分类(CTC)是一种强有力的序列到序列学习方法,在语音识别中得到了广泛的应用。CTC的核心思想包括在培训过程中添加一个标签“空白”。通过这种机制,CTC消除了段对齐的需要,因此已被应用于各种序列到序列的学习问题。在这项工作中,我们将CTC应用于口语内容的抽象摘要。这种情况下的“空白”意味着相应的输入数据不太重要或有噪声;因此可以忽略它。在中文Gigaword和MATBN语料库上的ROUGE测试结果表明,该方法优于现有方法。这种方法还有一个很好的特性,即在生成的摘要中可以更好地保留输入文档中单词或字符的顺序。
2017-11-16 cs.CL
A Condense-then-Select Strategy for Text Summarization
University of Macau(澳门大学);The Chinese University of Hong Kong(香港中文大学)
选择然后压缩是一个流行的混合,框架,文本摘要,由于其高效率。该框架首先选择突出的句子,然后独立地将每个选择的句子浓缩成一个简洁的版本。然而,单独压缩句子忽略了文档的上下文信息,因此容易删除显著信息。为了解决这个问题,我们提出了一个新的压缩然后选择框架的文本摘要。我们的框架首先同时压缩每个文档句子。然后,原始文档句子及其压缩版本成为提取的候选者。最后,提取器利用文档的上下文信息来选择候选项并将它们组装成摘要。如果在压缩期间删除了显著信息,则提取器可以选择原始句子来保留信息。因此,我们的框架有助于避免丢失的显着信息,同时保持高效率的并行级压缩。在CNN/DailyMail,DUC-2002和Pubmed数据集上的实验结果表明,我们的框架优于选择然后压缩框架和其他强基线。
2021-06-19 cs.CL
Towards Imperceptible Document Manipulations against Neural Ranking Models
University of Chinese Academy of Sciences(中国科学院大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);South-Central University for Nationalities(中南民族大学)
针对现有神经排序模型对抗攻击易被检测、依赖高质量替代模型的问题,提出IDEM框架,通过生成式模型生成衔接句加逐位置合并策略生成难察觉对抗文档,在MS MARCO上效果优于基线且鲁棒性更强。
2023-05-03 cs.CL cs.IR
Characterizing Stereotypical Bias from Privacy-preserving Pre-Training
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
本文研究差分隐私文本私有化对BERT语言模型刻板偏见的影响,发现隐私收紧虽总体降低偏见,但在不同社会领域效果不一致,强调需对私有化后的语言模型进行细致的偏见诊断。
2024-06-30 cs.AI cs.CL
Truthful Text Sanitization Guided by Inference Attacks
Norwegian Computing Center(挪威计算中心);Department of Computer Engineering and Mathematics. CYBERCAT(计算机工程与数学系.CYBERCAT)
针对文本脱敏中隐私保护与效用保留的平衡难题,提出基于泛化、结合LLM候选生成排序与推理攻击评估的两阶段方法,搭配新型无标注评估指标,在基准上实现效用提升且重识别风险增幅极小,保真性优于现有方法。
2025-08-31 cs.CL
M3DocRAG: Multi-modal Retrieval is What You Need for Multi-page Multi-document Understanding
UNC Chapel Hill(北卡罗来纳大学教堂山分校);Bloomberg(彭博公司)
提出M3DocRAG多模态RAG框架,结合多模态检索器与MLM处理多页多文档视觉问答,并构建M3DocVQA基准,在三个基准上取得领先性能,尤其MP-DocVQA达到最先进水平。
2024-11-07 cs.AI cs.CL cs.CV
Transformer Models for Text Summarization: A Comparative Study of BART, BERT, and RoBERTa
该研究针对文本摘要任务,对比分析BERT、RoBERTa、BART三款Transformer模型的架构、预训练策略及在抽取式、生成式摘要任务中的适用性,为相关应用提供参考。
2026-08-21 cs.AI cs.CL
A Compliance-Preserving Retrieval System for Aircraft MRO Task Search
AI Convergence Reserach Center, Inha University(人工智能融合研究中心,庆尚大学)
本研究提出一种保持合规性的航空维修任务检索系统,通过结合LLM重排序和语义搜索,提升航空维修工作效率并减少查找时间。
2025-11-19 cs.AI cs.CL cs.ET