Fugu-MT 論文翻訳(概要): The Analysis and Extraction of Structure from Organizational Charts

論文の概要: The Analysis and Extraction of Structure from Organizational Charts

arxiv url: http://arxiv.org/abs/2311.10234v1
Date: Thu, 16 Nov 2023 23:49:05 GMT
ステータス: 処理完了
システム内更新日: 2023-11-22 15:26:52.285389
Title: The Analysis and Extraction of Structure from Organizational Charts
Title（参考訳）: 組織図からの構造の分析と抽出
Authors: Nikhil Manali, David Doermann, and Mahesh Desai
Abstract要約: 組織チャート(Organizational chart)またはorgチャート(org chart)は、組織の構造と、その構成要素と位置の間の階層的な関係を批判的に表す。本稿では,コンピュータビジョン,ディープラーニング,自然言語処理技術を用いたエンドツーエンドの自動化手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Organizational charts, also known as org charts, are critical representations of an organization's structure and the hierarchical relationships between its components and positions. However, manually extracting information from org charts can be error-prone and time-consuming. To solve this, we present an automated and end-to-end approach that uses computer vision, deep learning, and natural language processing techniques. Additionally, we propose a metric to evaluate the completeness and hierarchical accuracy of the extracted information. This approach has the potential to improve organizational restructuring and resource utilization by providing a clear and concise representation of the organizational structure. Our study lays a foundation for further research on the topic of hierarchical chart analysis.
Abstract（参考訳）: orgチャート(org chart)とも呼ばれる組織チャートは、組織の構造と、その構成要素と位置の間の階層的関係の批判的な表現である。しかし、orgチャートから手動で情報を抽出することは、エラーを起こしやすく、時間がかかる。これを解決するために,コンピュータビジョン,ディープラーニング,自然言語処理技術を用いたエンドツーエンドの自動化手法を提案する。さらに,抽出した情報の完全性と階層的精度を評価する指標を提案する。このアプローチは、組織構造の明確で簡潔な表現を提供することで、組織再編とリソース利用を改善する可能性がある。本研究は,階層的チャート分析に関するさらなる研究の基盤を築いている。

関連論文リスト

Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文参考訳（メタデータ） (2024-09-09T12:56:02Z)
GraphER: A Structure-aware Text-to-Graph Model for Entity and Relation Extraction [3.579132482505273]
自然言語処理(NLP)における情報抽出は重要な課題であるグラフ構造学習(GSL)として定式化する手法を提案する。この定式化により、エンティティとリレーショナル予測のためのより良い相互作用と構造インフォームド決定が可能になる。
論文参考訳（メタデータ） (2024-04-18T20:09:37Z)
From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models [98.41645229835493]
グラフ形式のデータの可視化は、データ分析において重要な役割を担い、重要な洞察を提供し、情報的な意思決定を支援する。大規模言語モデルのような大規模な基盤モデルは、様々な自然言語処理タスクに革命をもたらした。本研究は,自然言語処理,コンピュータビジョン,データ解析の分野における研究者や実践者の包括的資源として機能する。
論文参考訳（メタデータ） (2024-03-18T17:57:09Z)
Learning to Extract Structured Entities Using Language Models [52.281701191329]
機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
論文参考訳（メタデータ） (2024-02-06T22:15:09Z)
Extracting Network Structures from Corporate Organization Charts Using Heuristic Image Processing [0.24475591916185496]
組織図から組織ネットワークデータを抽出・再構成する新しい画像処理手法を開発した。我々の方法では,4,606の組織ネットワークを再構築することができた(データ取得成功率:46%)。
論文参考訳（メタデータ） (2023-11-04T17:32:50Z)
StructChart: Perception, Structuring, Reasoning for Visual Chart Understanding [58.38480335579541]
現在のチャート関連タスクは、視覚チャートから情報を抽出することを参照するチャート認識か、抽出されたデータから推論を行うかに焦点を当てている。本稿では,共同認識と推論タスクのための統一的でラベル効率のよい学習パラダイムを確立することを目的とする。各種のチャート関連タスクで実験を行い、統合されたチャート認識推論パラダイムの有効性と有望な可能性を実証した。
論文参考訳（メタデータ） (2023-09-20T12:51:13Z)
Global Structure Knowledge-Guided Relation Extraction Method for Visually-Rich Document [37.05334263712291]
本稿では,GlObal Structure Knowledge-Guided Relation extract (GOSE) フレームワークを提案する。 GOSEは、文書のスキャン画像から抽出されたエンティティペアの予備関係予測を生成して開始する。グローバル構造知識は、前回の反復予測から取得され、エンティティの表現に組み込まれる。
論文参考訳（メタデータ） (2023-05-23T09:18:47Z)
Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal Structured Representations [70.41385310930846]
マルチモーダルな構造表現を強化するためのエンドツーエンドフレームワークであるStructure-CLIPを提案する。シーングラフを用いてセマンティックなネガティブな例の構築をガイドし、その結果、構造化された表現の学習に重点を置いている。知識エンハンス(KEE)は、SGKを入力として活用し、構造化表現をさらに強化するために提案される。
論文参考訳（メタデータ） (2023-05-06T03:57:05Z)
Investigating Graph Structure Information for Entity Alignment with Dangling Cases [31.779386064600956]
エンティティアライメントは、異なる知識グラフ(KG)における等価なエンティティを見つけることを目的としている。 Weakly-optimal Graph Contrastive Learning (WOGCL) と呼ばれる新しいエンティティアライメントフレームワークを提案する。 We show that WOGCL are outperforms the current-of-the-art method with pure structure information in traditional (relaxed) and dangling settings。
論文参考訳（メタデータ） (2023-04-10T17:24:43Z)
CateCom: a practical data-centric approach to categorization of computational models [77.34726150561087]
本稿では,物理モデルとデータ駆動型計算モデルのランドスケープを整理する取り組みについて述べる。オブジェクト指向設計の概念を適用し、オープンソース協調フレームワークの基礎を概説する。
論文参考訳（メタデータ） (2021-09-28T02:59:40Z)
HOSE-Net: Higher Order Structure Embedded Network for Scene Graph Generation [20.148175528691905]
本稿では,関係の局所的および大域的構造情報を出力空間に組み込むための新しい構造認識型組込み分類器(SEC)モジュールを提案する。また,高次構造情報を導入して部分空間の数を減らし,階層的セマンティックアグリゲーション(HSA)モジュールを提案する。提案したHOSE-Netは、Visual GenomeとVRDの2つの人気のあるベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-08-12T07:58:13Z)

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。