Arg-LLaDA: Argument Summarization via Large Language Diffusion Models and Sufficiency-Aware Refin...

文章主要内容和创新点

主要内容

本文聚焦于论点摘要（argument summarization）任务，旨在从多视角辩论或论证文本中生成简洁、忠实且结构良好的摘要。现有方法在论点组件识别与聚类（阶段1）已有较多进展，但在摘要生成阶段（阶段2）存在明显不足：多依赖单轮生成，缺乏事实修正和结构优化机制，易导致事实错误、冗余或结构失调。

为此，本文提出Arg-LLaDA，一种基于大型语言扩散模型的新型框架。该框架通过迭代式重新掩码（remasking）和再生策略，结合灵活的掩码控制器与充分性检查模块，识别并修正摘要中不被支持、冗余或不完整的片段，逐步优化输出。实验在ASE和ArgKP两个基准数据集上验证了其有效性：在10项自动评估指标中的7项超越现有最优基线，人类评估在覆盖率、忠实性和简洁性上也有显著提升。

创新点

1. 框架设计：提出Arg-LLaDA，首个将扩散模型应用于论点摘要的框架，通过迭代式掩码去噪实现摘要的动态优化，突破单轮生成的局限性。
2. 充分性感知机制：引入充分性诊断模块，结合链式思维（CoT）提示和有监督分类器，量化评估摘要片段与输入论点的匹配度，精准定位需修正的部分。
3. 灵活掩码策略：设计基于充分性分数的掩码控制器，在推理阶段针对性选择需再生的片段，平衡事实忠实性与生成流畅性。
4. 实证验证：在两个数据集上通过自动和人类评估，证明该方法在内容覆盖、事