Un framework modulare di generazione e selezione migliora la sintesi fedele sotto vincoli di budget

Un nuovo framework modulare per la sintesi astrattiva separa i processi di generazione e selezione per affrontare problemi come l'incoerenza fattuale, la ridondanza e un controllo inadeguato della lunghezza. Questo metodo impiega un generatore pre-addestrato per creare diversi riassunti candidati, che vengono poi suddivisi in opzioni a livello di frase. Un selettore combinatorio finalizza il riassunto ottimizzando pertinenza, accuratezza fattuale e ridondanza, rispettando un limite di frasi specificato. Il framework supporta varie tecniche di selezione, tra cui MMR, ILP e un obiettivo log-determinante ispirato a DPP, senza richiedere il riaddestramento del generatore. I test condotti su CNN/DailyMail, Multi-News, FaithBench e TofuEval dimostrano miglioramenti costanti in termini di factualità e ancoraggio alle fonti, specialmente nella sintesi multi-documento, sebbene con punteggi di sovrapposizione con i riferimenti ridotti. Le valutazioni umane rivelano una migliore coerenza percepita, pertinenza, chiarezza e concisione, insieme a un leggero calo nella coerenza. L'articolo è disponibile su arXiv con l'identificatore 2608.03655.