論文の概要: An Augmentation Strategy for Visually Rich Documents

• arxiv url: http://arxiv.org/abs/2212.10047v1
• Date: Tue, 20 Dec 2022 07:44:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 15:22:07.295538
• Title: An Augmentation Strategy for Visually Rich Documents
• Title（参考訳）: ビジュアルリッチドキュメントのための拡張戦略
• Authors: Jing Xie, James B. Wendt, Yichao Zhou, Seth Ebner, Sandeep Tata
• Abstract要約: 本稿では,トレーニングデータが少ない場合のパフォーマンス向上のための新しいデータ拡張手法を提案する。 FieldSwapと呼ばれる我々の手法は、ソースフィールドのキーフレーズとターゲットフィールドのキーフレーズを交換することで機能する。 提案手法は抽出性能が1-7F1ポイント向上できることを実証する。
• 参考スコア（独自算出の注目度）: 13.428304945684621
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many business workflows require extracting important fields from form-like documents (e.g. bank statements, bills of lading, purchase orders, etc.). Recent techniques for automating this task work well only when trained with large datasets. In this work we propose a novel data augmentation technique to improve performance when training data is scarce, e.g. 10-250 documents. Our technique, which we call FieldSwap, works by swapping out the key phrases of a source field with the key phrases of a target field to generate new synthetic examples of the target field for use in training. We demonstrate that this approach can yield 1-7 F1 point improvements in extraction performance.
• Abstract（参考訳）: 多くのビジネスワークフローでは、フォームライクなドキュメントから重要なフィールドを抽出する必要がある(例えば、銀行のステートメント、ラディングの請求書、購入注文など)。 このタスクを自動化する最近のテクニックは、大規模なデータセットでトレーニングされた場合のみうまく機能する。 本研究では、10-250文書など,トレーニングデータ不足時の性能向上のための新しいデータ拡張手法を提案する。 fieldwapと呼ばれるこの手法は、ソースフィールドのキーフレーズをターゲットフィールドのキーフレーズに置き換えて、トレーニングに使用するターゲットフィールドの新しい合成例を生成します。 提案手法は抽出性能を1-7F1ポイント改善できることを示す。

関連論文リスト

• Improving Cross-task Generalization of Unified Table-to-text Models with Compositional Task Configurations [63.04466647849211]
  メソッドは通常、タスク情報をエンコーダのプレフィックスとして単純なデータセット名でエンコードする。 本稿では,エンコーダがタスク間の一般化を改善するためのプロンプトセットであるコンポジションタスク構成を提案する。 これは、モデルがトレーニング中に異なるタスク間で共有知識をより良く学習できるだけでなく、新しい構成を構築することでモデルを制御できることを示している。
  論文  参考訳（メタデータ） (2022-12-17T02:20:14Z)
• Improving Keyphrase Extraction with Data Augmentation and Information Filtering [67.43025048639333]
  キーフレーズ抽出はNLPにおける文書理解に不可欠なタスクの1つである。 本稿では,Behanceプラットフォーム上でストリームされたビデオからキーフレーズを抽出するための新しいコーパスと手法を提案する。
  論文  参考訳（メタデータ） (2022-09-11T22:38:02Z)
• Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
  現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。 そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。 実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-05-12T02:23:25Z)
• Data-Efficient Information Extraction from Form-Like Documents [14.567098292973075]
  鍵となる課題は、フォームライクなドキュメントが、事実上無限に多くの方法でレイアウトできることです。 データ効率は、数百の異なるドキュメントタイプを扱うために、情報抽出システムがスケールできるようにするために重要である。
  論文  参考訳（メタデータ） (2022-01-07T19:16:49Z)
• Transformer-Based Approach for Joint Handwriting and Named Entity Recognition in Historical documents [1.7491858164568674]
  本研究は,手書き文書における名前付きエンティティ認識にトランスフォーマネットワークを採用した最初のアプローチを示す。 我々は,Esposalles データベースを用いた ICDAR 2017 Information extract コンペティションにおいて,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-12-08T09:26:21Z)
• A Span Extraction Approach for Information Extraction on Visually-Rich Documents [2.3131309703965135]
  視覚豊かな文書(VRD)を事前学習する言語モデルの能力向上のための新しいアプローチを提案する。 まず、クエリベースの新しいIEモデルを導入し、一般的に使用されるシーケンスラベリングアプローチの代わりにスパン抽出の定式化を採用する。 また、文書内の意味的エンティティ間の関係をモデル化することに焦点を当てた新しいトレーニングタスクを提案する。
  論文  参考訳（メタデータ） (2021-06-02T06:50:04Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)
• Low-Resource Domain Adaptation for Compositional Task-Oriented Semantic Parsing [85.35582118010608]
  タスク指向のセマンティックパーシングは仮想アシスタントの重要なコンポーネントである。 近年のディープラーニングの進歩は、より複雑なクエリを解析するいくつかのアプローチを可能にしている。 そこで本研究では,教師付きニューラルネットワークを10倍の精度で高速化する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T17:47:53Z)
• Robust Layout-aware IE for Visually Rich Documents with Pre-trained Language Models [23.42593796135709]
  視覚的にリッチな文書(VRD)からの情報抽出の問題について検討する。 ビジネス文書のテキスト情報と視覚情報の両方を効率的に符号化するために,大規模な事前学習言語モデルとグラフニューラルネットワークのパワーを組み合わせたモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-22T06:04:50Z)
• Don't Stop Pretraining: Adapt Language Models to Domains and Tasks [81.99843216550306]
  バイオメディカルおよびコンピュータサイエンスの出版物、ニュース、レビュー)と8つの分類タスクについて調査する。 ドメイン内の事前トレーニング(ドメイン適応型事前トレーニング)の第2フェーズでは、パフォーマンスが向上する。 タスクの未ラベルデータ(タスク適応事前トレーニング)に適応することで、ドメイン適応事前トレーニング後のパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-04-23T04:21:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。