예산 제약 하의 충실한 요약 생성을 위한 생성 및 선택 분리

Decoupling Generation and Selection for Budget-Constrained Faithful Summarization

추상적 요약 모델은 여전히 사실 불일치, 중복성 및 약한 길이 제어 문제에 취약합니다. 본 논문에서는 문장 예산 제한이 있는 요약을 위해 모듈화된 생성-선택 프레임워크를 제안합니다. 사전 학습된 생성자는 여러 후보 요약을 생성하며, 이는 문장 수준의 후보로 분해됩니다. 조합 선택기는 관련성, 사실성 및 중복성을 명시적인 예산 범위 내에서 균형 있게 고려하여 최종 요약을 구성합니다. 이 프레임워크는 생성자를 재학습하지 않고 MMR(Maximum Marginal Relevance), ILP(Integer Linear Programming) 및 DPP(Determinantal Point Process)-영향을 받은 로그 결정적 목적 함수를 지원합니다. CNN/DailyMail, Multi-News, FaithBench 및 TofuEval 데이터셋에 대한 실험 결과, 특히 다중 문서 요약에서 사실성 및 출처 연관성 지표가 꾸준히 향상되었지만, 참조 중복 점수는 감소했습니다. 인간 평가 결과, 생성된 요약이 기존 모델보다 일관성, 관련성, 명확성 및 간결성이 더 뛰어나다는 것을 확인했으며, 응집성은 약간 감소했습니다. 이러한 결과는 생성과 선택을 분리하는 것이 모델에 독립적인 방식으로 사실 기반을 강화하는 메커니즘을 제공한다는 것을 보여줍니다. 코드: https://anonymous.4open.science/r/bcfs-D05E/

Abstractive summarization models remain vulnerable to factual inconsistency, redundancy, and weak length control. We propose a modular generation-and-selection framework for sentence-budget-constrained summarization. A pretrained generator produces multiple candidate summaries, which are decomposed into sentence-level candidates. A combinatorial selector then constructs the final summary by balancing relevance, factuality, and redundancy under an explicit budget. The framework supports MMR, ILP, and a DPP-inspired log-determinant objective without retraining the generator. Experiments on CNN/DailyMail, Multi-News, FaithBench, and TofuEval show consistent improvements in factuality and source-grounding metrics, especially for multi-document summarization, at the cost of lower reference-overlap scores. Human evaluation further indicates higher perceived consistency, relevance, clarity, and conciseness, with a small reduction in coherence. These results show that decoupling generation from selection provides a model-agnostic mechanism for improving factual grounding. Code is available at https://anonymous.4open.science/r/bcfs-D05E/.