English(EN) Factual and Edit-Sensitive Graph-to-Sequence Generation via Graph-Aware Adaptive Noising

新的扩散模型DLM4G提高了图到序列生成的准确性

作者 PulseAugur 编辑部 · [2 个来源] · 2026-04-27 06:52

研究人员引入了一种名为DLM4G的新型非自回归扩散框架，用于图到序列生成。该模型通过基于输入图迭代地改进文本，解决了事实基础和可编辑性方面的挑战。DLM4G采用自适应加噪策略，调节图组件上的噪声以保持结构并实现局部更新，其性能优于现有的扩散和自回归基线模型。 AI

影响引入了一种新的基于扩散的图到序列生成方法，有望提高复杂数据表示中的事实准确性和可编辑性。

排序理由介绍新模型和方法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.CL TIER_1 English(EN) · Aditya Hemant Shahane, Anuj Kumar Sirohi, Tanmoy Chakraborty, Prathosh A P, Sandeep Kumar · 2026-04-28 04:00

基于图感知自适应噪声的、事实性且对编辑敏感的图到序列生成

arXiv:2604.24104v1 Announce Type: new Abstract: Fine-tuned autoregressive models for graph-to-sequence generation (G2S) often struggle with factual grounding and edit sensitivity. To tackle these issues, we propose a non-autoregressive diffusion framework that generates text by i…
arXiv cs.CL TIER_1 English(EN) · Sandeep Kumar · 2026-04-27 06:52

基于图感知自适应噪声的、事实性且对编辑敏感的图到序列生成

Fine-tuned autoregressive models for graph-to-sequence generation (G2S) often struggle with factual grounding and edit sensitivity. To tackle these issues, we propose a non-autoregressive diffusion framework that generates text by iterative refinement conditioned on an input grap…