論文の概要: ETDPC: A Multimodality Framework for Classifying Pages in Electronic Theses and Dissertations

• arxiv url: http://arxiv.org/abs/2311.04262v1
• Date: Tue, 7 Nov 2023 16:27:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-09 18:09:21.732084
• Title: ETDPC: A Multimodality Framework for Classifying Pages in Electronic Theses and Dissertations
• Title（参考訳）: etdpc:電子論文と論文におけるページ分類のためのマルチモダリティフレームワーク
• Authors: Muntabir Hasan Choudhury, Lamia Salsabil, William A. Ingram, Edward A. Fox, Jian Wu
• Abstract要約: 電子的論文・論文(ETD)は25年以上にわたって提案され、提唱され、作成されてきた。 ETDPCは、ETDページを13のカテゴリに分類するクロスアテンションネットワークを備えた2ストリームマルチモーダルモデルである。 あらゆるカテゴリーの最先端モデルより優れており、13カテゴリ中9カテゴリのF1は0.84-0.96である。
• 参考スコア（独自算出の注目度）: 3.6970591588691355
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electronic theses and dissertations (ETDs) have been proposed, advocated, and generated for more than 25 years. Although ETDs are hosted by commercial or institutional digital library repositories, they are still an understudied type of scholarly big data, partially because they are usually longer than conference proceedings and journals. Segmenting ETDs will allow researchers to study sectional content. Readers can navigate to particular pages of interest, discover, and explore the content buried in these long documents. Most existing frameworks on document page classification are designed for classifying general documents and perform poorly on ETDs. In this paper, we propose ETDPC. Its backbone is a two-stream multimodal model with a cross-attention network to classify ETD pages into 13 categories. To overcome the challenge of imbalanced labeled samples, we augmented data for minority categories and employed a hierarchical classifier. ETDPC outperforms the state-of-the-art models in all categories, achieving an F1 of 0.84 -- 0.96 for 9 out of 13 categories. We also demonstrated its data efficiency. The code and data can be found on GitHub (https://github.com/lamps-lab/ETDMiner/tree/master/etd_segmentation).
• Abstract（参考訳）: 電子論文・論文(etd)は25年以上にわたって提案・提唱・作成されてきた。 etdは、商用または機関のデジタルライブラリリポジトリによってホストされているが、学術的なビッグデータの一種であり、一部は会議やジャーナルよりも長いためである。 セグメンテーションetdは、研究者がセクションコンテンツを研究することができる。 読者は興味のあるページをナビゲートし、長いドキュメントに埋もれたコンテンツを発見、探索することができる。 ドキュメントページ分類に関する既存のフレームワークのほとんどは、一般的なドキュメントを分類するために設計されており、etdでパフォーマンスが悪い。 本稿では,ETDPCを提案する。 バックボーンは2ストリームのマルチモーダルモデルで、ETDページを13のカテゴリに分類するクロスアテンションネットワークを備えている。 不均衡なラベル付きサンプルの課題を克服するために,マイノリティカテゴリのデータを拡張し,階層的分類器を用いた。 ETDPCはあらゆるカテゴリーで最先端のモデルより優れており、13カテゴリ中9カテゴリのF1は0.84-0.96である。 データ効率も実証しました。 コードとデータはGitHubにある(https://github.com/lamps-lab/ETDMiner/tree/master/etd_segmentation)。

関連論文リスト

• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Efficient Document Ranking with Learnable Late Interactions [73.41976017860006]
  クロスエンコーダ(CE)とデュアルエンコーダ(DE)モデルは,情報検索におけるクエリドキュメント関連性の2つの基本的なアプローチである。 関連性を予測するため、CEモデルは共同クエリドキュメントの埋め込みを使用し、DEモデルは分解クエリとドキュメントの埋め込みを維持している。 近年、DEM構造と軽量スコアラを用いて、より好ましいレイテンシ品質のトレードオフを実現するために、遅延相互作用モデルが提案されている。
  論文  参考訳（メタデータ） (2024-06-25T22:50:48Z)
• Beyond Document Page Classification: Design, Datasets, and Challenges [32.94494070330065]
  本稿では,文書分類ベンチマークを現実のアプリケーションに近づける必要性を強調した。 我々は、パブリックなマルチページ文書分類データセットの欠如を特定し、アプリケーションシナリオにおける異なる分類タスクを形式化し、効率的なマルチページ文書表現をターゲットとする価値を動機づける。
  論文  参考訳（メタデータ） (2023-08-24T16:16:47Z)
• DocumentNet: Bridging the Data Gap in Document Pre-Training [78.01647768018485]
  本稿では,Webから大規模かつ弱いラベル付きデータを収集し,VDERモデルの学習に役立てる手法を提案する。 収集されたデータセットはDocumentNetと呼ばれ、特定のドキュメントタイプやエンティティセットに依存しない。 広く採用されているVDERタスクの実験は、DocumentNetを事前トレーニングに組み込んだ場合、大幅に改善されている。
  論文  参考訳（メタデータ） (2023-06-15T08:21:15Z)
• Hierarchical Multi-Label Classification of Scientific Documents [47.293189105900524]
  我々はSciHTCと呼ばれる科学論文の階層的多ラベルテキスト分類のための新しいデータセットを提案する。 このデータセットは、ACM CCSツリーから186,160の論文と1,233のカテゴリを含んでいる。 我々の最良のモデルでは、マクロF1スコアが34.57%に達し、このデータセットが大きな研究機会を提供することを示す。
  論文  参考訳（メタデータ） (2022-11-05T04:12:57Z)
• Minimally-Supervised Structure-Rich Text Categorization via Learning on Text-Rich Networks [61.23408995934415]
  テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。 具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。 実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
  論文  参考訳（メタデータ） (2021-02-23T04:14:34Z)
• Large Scale Subject Category Classification of Scholarly Papers with Deep Attentive Neural Networks [15.241086410108512]
  本稿では,学術論文を要約のみを用いて分類するディープ注意ニューラルネットワーク(DANN)を提案する。 提案するネットワークは2つの双方向リカレントニューラルネットワークとアテンション層から構成される。 最適モデルでは,0.50～0.95の範囲の個々の対象カテゴリーのF1に対して0.76のマイクロF1測定値が得られる。
  論文  参考訳（メタデータ） (2020-07-27T19:42:42Z)
• Machine Identification of High Impact Research through Text and Image Analysis [0.4737991126491218]
  本稿では,引用の可能性が低い論文から高い論文を自動的に分離するシステムを提案する。 本システムでは,文書全体の外観を推測する視覚的分類器と,コンテンツインフォームド決定のためのテキスト分類器の両方を用いる。
  論文  参考訳（メタデータ） (2020-05-20T19:12:24Z)
• A Large-Scale Multi-Document Summarization Dataset from the Wikipedia Current Events Portal [10.553314461761968]
  MDS(Multi-document summarization)は、大規模な文書コレクションの内容を短い要約に圧縮することを目的としている。 この研究は、文書クラスタの総数と個々のクラスタのサイズの両方で大きいMDS用の新しいデータセットを示す。
  論文  参考訳（メタデータ） (2020-05-20T14:33:33Z)
• SciREX: A Challenge Dataset for Document-Level Information Extraction [56.83748634747753]
  ドキュメントレベルで大規模な情報抽出データセットを作成するのは難しい。 複数のIEタスクを含む文書レベルのIEデータセットであるSciREXを紹介する。 我々は、従来の最先端のIEモデルをドキュメントレベルのIEに拡張する強力なベースラインとして、ニューラルモデルを開発する。
  論文  参考訳（メタデータ） (2020-05-01T17:30:10Z)

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。