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
- Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳(メタデータ) (2024-01-28T08:56:49Z) - 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) - Joint Language Semantic and Structure Embedding for Knowledge Graph
Completion [66.15933600765835]
本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。
本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。
各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
論文 参考訳(メタデータ) (2022-09-19T02:41:02Z) - Understanding Graph Convolutional Networks for Text Classification [9.495731689143827]
本稿では,グラフにおけるノードとエッジの埋め込みの役割と,テキスト分類におけるGCN学習手法を包括的に分析する。
我々の分析はこの種の最初のものであり、各グラフノード/エッジ構築メカニズムの重要性についての有用な洞察を提供する。
論文 参考訳(メタデータ) (2022-03-30T05:14:31Z) - 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) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳(メタデータ) (2021-06-08T05:25:38Z) - 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。
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。