論文の概要: Structure Diagram Recognition in Financial Announcements
- arxiv url: http://arxiv.org/abs/2304.13240v2
- Date: Mon, 1 May 2023 11:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 17:46:30.923401
- Title: Structure Diagram Recognition in Financial Announcements
- Title(参考訳): 財務発表における構造図認識
- Authors: Meixuan Qiao, Jun Wang, Junfu Xiang, Qiyu Hou, Ruixuan Li
- Abstract要約: 本稿では,財務発表における構造図の認識方法を提案する。
我々は,中国の金融発表から業界初の構造図のベンチマークを効率的に生成する2段階の手法を開発した。
従来の手法に比べて,構造図認識手法の有意な性能上の利点を実験的に検証した。
- 参考スコア(独自算出の注目度): 7.763515888324117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately extracting structured data from structure diagrams in financial
announcements is of great practical importance for building financial knowledge
graphs and further improving the efficiency of various financial applications.
First, we proposed a new method for recognizing structure diagrams in financial
announcements, which can better detect and extract different types of
connecting lines, including straight lines, curves, and polylines of different
orientations and angles. Second, we developed a two-stage method to efficiently
generate the industry's first benchmark of structure diagrams from Chinese
financial announcements, where a large number of diagrams were synthesized and
annotated using an automated tool to train a preliminary recognition model with
fairly good performance, and then a high-quality benchmark can be obtained by
automatically annotating the real-world structure diagrams using the
preliminary model and then making few manual corrections. Finally, we
experimentally verified the significant performance advantage of our structure
diagram recognition method over previous methods.
- Abstract(参考訳): 財務発表において構造図から正確な構造化データを抽出することは、財務知識グラフの構築と、様々な金融アプリケーションの効率の向上に非常に重要な課題である。
まず,金融発表における構造図の認識手法を提案し,方向や角度の異なる直線,曲線,ポリラインなど,様々な種類の接続線をよりよく検出し抽出する手法を提案する。
第2に,中国の金融発表から業界初となる構造図のベンチマークを効率的に生成する2段階の手法を開発し,多数のダイアグラムを合成・注釈付けし,かなり良好な性能で予備認識モデルを訓練し,その予備モデルを用いて実世界の構造図を自動的に注釈付けし,手作業による補正をほとんど行わない高品質なベンチマークを得ることができた。
最後に,本手法を用いた構造図認識手法の有効性を実験的に検証した。
関連論文リスト
- One-Shot Open Affordance Learning with Foundation Models [54.15857111929812]
私たちは、モデルがベースオブジェクトカテゴリ毎に1つの例でトレーニングされる、ワンショットのオープンアフォーダンスラーニング(OOAL)を紹介します。
本稿では,視覚的特徴と手頃なテキスト埋め込みとの整合性を高める,シンプルで効果的な設計の視覚言語フレームワークを提案する。
2つのアベイランスセグメンテーションのベンチマーク実験により、提案手法はトレーニングデータの1%未満で最先端のモデルより優れていることが示された。
論文 参考訳(メタデータ) (2023-11-29T16:23:06Z) - FinGPT: Instruction Tuning Benchmark for Open-Source Large Language
Models in Financial Datasets [9.714447724811842]
本稿では,オープンソースの大規模言語モデルに対して,インストラクションチューニングパラダイムに固有のアプローチを導入する。
私たちは、オープンソースのモデルの相互運用性に乗じて、シームレスで透過的な統合を確保します。
本稿では,エンドツーエンドのトレーニングとテストのためのベンチマーク手法を提案し,費用対効果を生かした。
論文 参考訳(メタデータ) (2023-10-07T12:52:58Z) - Enhancing Visually-Rich Document Understanding via Layout Structure
Modeling [91.07963806829237]
レイアウトの知識をモデルに注入する新しい文書理解モデルであるGraphLMを提案する。
我々は、FUNSD、XFUND、CORDなど様々なベンチマークでモデルを評価し、最先端の結果を得た。
論文 参考訳(メタデータ) (2023-08-15T13:53:52Z) - Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。
近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。
グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
論文 参考訳(メタデータ) (2023-04-28T01:22:47Z) - Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph
Construction [57.854498238624366]
本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。
RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
論文 参考訳(メタデータ) (2022-10-19T16:40:28Z) - SubGraph Networks based Entity Alignment for Cross-lingual Knowledge
Graph [7.892065498202909]
サブグラフネットワーク(SGN)手法をGCNベースの言語間KGエンティティアライメント手法に導入する。
実験の結果,提案手法は最先端GCN法よりも優れていた。
論文 参考訳(メタデータ) (2022-05-07T05:13:15Z) - A Multi-Level Attention Model for Evidence-Based Fact Checking [58.95413968110558]
シーケンス構造をトレーニング可能な,シンプルなモデルを提案する。
Fact extract and VERification のための大規模データセットの結果、我々のモデルはグラフベースのアプローチよりも優れていることが示された。
論文 参考訳(メタデータ) (2021-06-02T05:40:12Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-02-14T05:28:13Z) - Algorithms for Learning Graphs in Financial Markets [5.735035463793008]
ラプラシアン構造制約下での無向グラフィカルモデル学習の基本問題について検討する。
我々は,ラプラシアン行列を金融資産の精密行列のモデルとして用いるための実証的証拠によって裏付けられた自然な正当化を提案する。
我々は,非方向重み付きグラフを学習するための乗算器の交互方向法に基づく数値アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-12-31T02:48:35Z) - Navigating the Dynamics of Financial Embeddings over Time [0.0]
スケーラブルな動的環境におけるグラフ表現学習の応用を提案する。
我々は、現実の洞察を抽出するために、潜航軌道の厳密な定性的分析を行う。
論文 参考訳(メタデータ) (2020-07-01T16:27:31Z) - Exploiting Structured Knowledge in Text via Graph-Guided Representation
Learning [73.0598186896953]
本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。
エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。
既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
論文 参考訳(メタデータ) (2020-04-29T14:22:42Z)
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。