DWTSumm：文書要約のための離散ウェーブレット変換（DWT）

要旨: 大規模言語モデル（LLM）による、長くドメイン固有の文書の要約は、特に臨床および法務の領域では、文脈の制限、情報の損失、そしてハルシネーションのために依然として困難です。そこで本研究では、テキストを意味的な信号として扱い、それを大域的（近似）成分と局所的（詳細）成分に分解する、離散ウェーブレット変換（DWT）ベースのマルチレゾリューション枠組みを提案します。文や語のレベルの埋め込みに適用すると、DWTは、全体の構造と重要なドメイン固有の詳細を保持しつつ、コンパクトな表現を生成します。これらはそのまま要約として用いるか、LLM生成の指針として利用されます。臨床および法務のベンチマークに対する実験では、ROUGE-Lのスコアが同等であることが示されました。GPT-4oをベースラインと比較すると、DWTに基づく要約は意味的類似性とグラウンディングを一貫して改善し、BERTScoreで2%以上、Semantic Fidelityで4%以上、法務タスクにおける事実整合性、さらに保持されたドメイン固有の意味を示唆する大幅なMETEORの改善を達成しています。複数の埋め込みモデルにわたって、Fidelityは最大97%に達しており、DWTが意味的なノイズ除去メカニズムとして機能し、ハルシネーションを減らして事実に基づく根拠を強化していることを示唆します。総じて、DWTは、LLMによる信頼性の高い長文書およびドメイン固有の要約のための、軽量で汎用的な手法を提供します。