多様なシーケンスの生成は、ソースとターゲットシーケンス間で意味的に一対多の関係を示す多くのNLP（自然言語処理）アプリケーション、例えば質問生成や要約において重要です。本稿では、既存のエンコーダー-デコーダーモデルを取り巻き、その生成をガイドする汎用的なプラグアンドプレイモジュール（SELECTORと呼ばれる）を使用して、多様化と生成を明示的に分離する方法を提案します。多様化ステージでは、エキスパートの混合モデルを使用して、異なるバイナリマスクをソースシーケンスにサンプリングし、多様なコンテンツ選択を行います。生成ステージでは、各選択されたコンテンツに対して標準的なエンコーダー-デコーダーモデルが使用されます。離散サンプリングの非微分性とバイナリマスクに対する真値ラベルの欠如により、我々は真値マスクの代理として利用し、確率的ハードEMアルゴリズムを採用して訓練を行います。質問生成（SQuAD）および抽象的要約（CNN-DM）において、我々の手法は精度、多様性、訓練効率において大幅な改善を示しており、両データセットでの最先端のトップ1精度を達成し、トップ5精度で6%向上し、最先端モデルに比べて3.7倍速い訓練が可能となっています。当該コードは公開されており、https://github.com/clovaai/FocusSeq2Seq から入手できます。