[論文レビュー] MVSS: A Unified Framework for Multi-View Structured Survey Generation

Yinqi Liu, Yueqi Zhu+8 more|arXiv (Cornell University)|Jan 14, 2026

Topic Modeling被引用数 0

ひとこと要約

MVSSは構造優先のフレームワークを導入し、引用 Grounded な階層的ツリー、ツリー誘導のテーブル、およびテキストを共同構築して高品質なサーベイを生成し、76のCSトピックで専門家に近い品質を達成。

ABSTRACT

Scientific surveys require not only summarizing large bodies of literature, but also organizing them into clear and coherent conceptual structures. Existing automatic survey generation methods typically focus on linear text generation and struggle to explicitly model hierarchical relations among research topics and structured methodological comparisons, resulting in gaps in structural organization compared to expert-written surveys. We propose MVSS, a multi-view structured survey generation framework that jointly generates and aligns citation-grounded hierarchical trees, structured comparison tables, and survey text. MVSS follows a structure-first paradigm: it first constructs a conceptual tree of the research domain, then generates comparison tables constrained by the tree, and finally uses both as structural constraints for text generation. This enables complementary multi-view representations across structure, comparison, and narrative. We introduce an evaluation framework assessing structural quality, comparative completeness, and citation fidelity. Experiments on 76 computer science topics show MVSS outperforms existing methods in organization and evidence grounding, achieving performance comparable to expert surveys.

研究の動機と目的

• 自動サーベイ生成を動機づけ、明示的な階層と構造化比較を専門家のサーベイに匹敵する水準で保持する。
• 概念的ドメイン構造を引用 grounding とともに捉える階層的知識ツリー（HKT）を提案する。
• ツリーがテーブルとテキストを導く構造認識生成フローを開発し、クロスビューの整合を実現する。
• MVSSを76のコンピュータサイエンス分野で評価し、構造品質、網羅性、引用忠実度を検証する。
• 複合的な多視点制約が専門家著のサーベイに近いテキストを生み、引用 grounding が堅牢であることを示す。

提案手法

• Phase 1 retrieved 論文から証拠 grounded な階層知識ツリー（HKT）を構築し、反復的に洗練する。
• Phase 2 retrieved 論文コンテキストを用いて HKT に合わせた tree-induced 構造化テーブルを生成する。
• Phase 3 ツリーとテーブルに導かれた複数のアウトライン候補を作成し、最適なアウトラインを選択して構造に conditioned なサーベイを書き、整合性のためのクロスビュー整合を行う。

実験結果

リサーチクエスチョン

• RQ1 構造優先アプローチは、テキスト中心の生成と比べて自動サーベイの組織化と grounding を改善できるか？
• RQ2 階層的ツリーと構造化テーブルを共同で生成した場合、より一貫性がありエビデンスに grounding されたサーベイを生み出せるか？
• RQ3 自動サーベイはどれくらい専門家著のサーベイに近づき得るか（構造、カバー範囲、引用忠実度の点で）？

主な発見

Length (tokens)	Human writing	Naive RAG-based generation	AutoSurvey	HiReview	MVSS (ours)	Coverage	Structure	Relevance	Avg.
8k	-	-	-	-	MVSS	4.83	4.79	4.88	4.83
16k	-	-	-	-	MVSS	4.94	4.85	4.92	4.90
32k	-	-	-	-	MVSS	4.91	4.93	5.00	4.95
64k	-	-	-	-	MVSS	5.00	5.00	5.00	5.00

• MVSS は対象長さ全体（8k–64k トークン）で一貫して最高のサーベイ品質を達成。
• 長めの長さ（32kおよび64kトークン）では構造と関連性の近似専門家レベルの性能を達成。
• 構造品質（Structure）が MVSS のベースラインに対する優位性の主要推進因子。
• ツリーとサーベイの引用精度と再現率は LLM 審査者全体で 75% を超え、信頼できるエビデンス grounding を示唆。
• 64k トークンで Coverage, Structure, Relevance の全得点またはほぼ全得点を達成し、いくつかの評価で人手著サーベイと同等の水準に匹敵。