DWTSumm：用于文档摘要的离散小波变换

由于上下文限制、信息丢失和幻觉，特别是在临床和法律环境中，使用 大语言模型 (LLM) 总结长的、特定领域的文档仍然具有挑战性。我们提出了一种基于离散小波变换（DWT）的多分辨率框架，将文本视为语义信号并将其分解为全局（近似）和局部（细节）组件。应用于句子或单词级嵌入时，DWT 会产生紧凑的表示，保留整体结构和关键的特定领域细节，这些细节可直接用作摘要或指导 LLM 的生成。临床和法律基准实验表明 ROUGE-L 分数具有可比性。与 GPT-4o 基线相比，基于 DWT 的摘要持续改进了语义相似性和基础性，在 BERTScore 方面实现了超过 2% 的增益，在语义保真度方面实现了超过 4% 的增益，在法律任务中实现了事实一致性，并且在 METEOR 方面取得了巨大的改进，表明保留了特定领域的语义。在多个嵌入模型中，保真度高达 97%，这表明 DWT 作为一种语义去噪机制，可以减少幻觉并加强事实基础。总体而言，DWT 为使用 LLM 进行可靠的长文档和特定领域的摘要提供了一种轻量级、可概括的方法。