論文の概要: IPO-Mine: A Toolkit and Dataset for Section-Structured Analysis of Long, Multimodal IPO Documents

• arxiv url: http://arxiv.org/abs/2605.28714v1
• Date: Wed, 27 May 2026 16:36:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.220537
• Title: IPO-Mine: A Toolkit and Dataset for Section-Structured Analysis of Long, Multimodal IPO Documents
• Title（参考訳）: IPO-Mine: 長期マルチモーダルIPO文書のセクション構造化分析のためのツールキットとデータセット
• Authors: Michael Galarnyk, Siddharth Lohani, Vidhyakshaya Kannan, Sagnik Nandi, Aman Patel, Liqin Ye, Arnav Hiray, Rutwik Routu, Prasun Banerjee, Siddhartha Somani, Sudheer Chava,
• Abstract要約: IPO申請書は、企業のビジネス、財務、リスクを記述しており、物語のテキストとイメージを備えた、長いマルチモーダルなドキュメントです。 金融市場において重要であるにもかかわらず、現代的な言語とマルチモーダルモデルでIPO申請を研究するための大規模で標準化されたデータセットやベンチマークは存在しない。 IPO-Toolkitは、IPO申請を標準化されたセクション構造化テキストと抽出された画像にダウンロードして解析するためのオープンソースのフレームワークです。 このインフラを利用することで、1994年から2026年までの109,000件以上のIPO申請と修正をカバーし、76,000件以上を含む大規模な、分割構造化されたマルチモーダルデータセットであるIPOデータセットを構築します。
• 参考スコア（独自算出の注目度）: 5.749045609674969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An Initial Public Offering (IPO) filing is a document released when a private firm goes public, allowing individual (retail) investors to purchase its shares. These filings describe a firm's business, financials, and risks and are long, multimodal documents with narrative text and images. Despite their importance to financial markets, there is no large-scale, standardized dataset or benchmark for studying IPO filings with modern language and multimodal models. These documents pose significant challenges: filings frequently exceed 500,000 tokens and lack consistent structural organization. We introduce the IPO-Toolkit, an open-source framework for downloading and parsing IPO filings into standardized section-structured text and extracted images. The toolkit segments filings, extracts embedded images, and produces structured outputs that enable large-scale, reproducible analysis workflows over long, multimodal documents. Using this infrastructure, we construct the IPO-Dataset, a large, section-structured, multimodal dataset covering more than 109,000 IPO filings and amendments from 1994 to 2026 and containing over 76,000 images. We establish structured evaluation tasks over extracted financial charts, including chart quality and misleadingness assessment. Our experiments show that state-of-the-art multimodal models often diverge from expert human judgments on these tasks, exposing alignment challenges in multimodal reasoning over long, real-world regulatory documents. Beyond benchmarking, the IPO-Dataset enables large-scale analysis of section-level textual variation and cross-industry differences in visual and textual disclosure practices. Our code, dataset, and website are publicly available under CC-BY-4.0.
• Abstract（参考訳）: IPO(Initial Public Offering)は、個人投資家が株式を購入できるようにする文書である。 これらの書類は、企業のビジネス、財務、リスクを記述し、物語のテキストとイメージを備えた長いマルチモーダル文書である。 金融市場において重要であるにもかかわらず、現代的な言語とマルチモーダルモデルでIPO申請を研究するための大規模で標準化されたデータセットやベンチマークは存在しない。 書類はしばしば50,000トークンを超え、一貫した構造組織が欠如している。 IPO-Toolkitは、IPO申請を標準化されたセクション構造化テキストと抽出された画像にダウンロードして解析するためのオープンソースのフレームワークです。 ツールキットは、文書をセグメント化し、埋め込み画像を抽出し、構造化された出力を生成し、長いマルチモーダル文書上で大規模で再現可能な分析ワークフローを可能にする。 このインフラを利用することで、1994年から2026年までの109,000件以上のIPO申請と修正をカバーし、76,000枚以上の画像を含む大規模な、分割構造化されたマルチモーダルデータセットであるIPOデータセットを構築します。 グラフ品質や誤解を招く評価など,抽出した財務チャートに対して構造化された評価タスクを確立する。 我々の実験は、現在最先端のマルチモーダルモデルが、これらのタスクに関する専門家の判断から分岐し、長い実世界の規制文書に対するマルチモーダル推論におけるアライメントの課題を明らかにしていることを示している。 IPO-Datasetは、ベンチマーク以外にも、部分レベルのテキストのバリエーションと、ビジュアルおよびテキストの開示プラクティスにおける業界間の違いを大規模に分析することを可能にする。 私たちのコード、データセット、WebサイトはCC-BY-4.0で公開されています。

関連論文リスト

• OIDA-QA: A Multimodal Benchmark for Analyzing the Opioid Industry Documents Archive [50.468138755368805]
  オピオイド危機は公衆衛生にとって重要な瞬間である。 UCSF-JHU Opioid Industry Documents Archive(OIDA)に公開されているデータと文書 本稿では,文書属性に応じて元のデータセットを整理することで,この問題に対処する。
  論文  参考訳（メタデータ） (2025-11-13T03:27:32Z)
• Multi-Stage Field Extraction of Financial Documents with OCR and Compact Vision-Language Models [2.6300820904868263]
  金融文書は、規制当局、監査官、金融機関にとって重要な情報源である。 これらの文書は異質であり、同じレポートの中で物語、表、図形、多言語の内容が混在する傾向がある。 本稿では,従来の画像処理モデルとOCR抽出を利用するマルチステージパイプラインと,構造化されたフィールド抽出のためのコンパクトなVLMを提案する。
  論文  参考訳（メタデータ） (2025-10-27T06:56:08Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
  FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。 このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。 我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-08-07T22:15:22Z)
• MMESGBench: Pioneering Multimodal Understanding and Complex Reasoning Benchmark for ESG Tasks [56.350173737493215]
  環境・社会・ガバナンス(ESG)報告は、持続可能性の実践の評価、規制コンプライアンスの確保、財務透明性の促進に不可欠である。 MMESGBenchは、マルチモーダル理解と複雑な推論を、構造的に多種多様なマルチソースESG文書間で評価するための、最初のベンチマークデータセットである。 MMESGBenchは、45のESG文書から得られた933の検証済みQAペアで構成され、7つの異なるドキュメントタイプと3つの主要なESGソースカテゴリにまたがる。
  論文  参考訳（メタデータ） (2025-07-25T03:58:07Z)
• LongFin: A Multimodal Document Understanding Model for Long Financial Domain Documents [4.924255992661131]
  最大4Kトークンをエンコード可能なマルチモーダル文書AIモデルであるLongFinを紹介する。 また、金融文書におけるいくつかの産業課題をカプセル化したLongFormsデータセットを提案する。
  論文  参考訳（メタデータ） (2024-01-26T18:23:45Z)
• FATURA: A Multi-Layout Invoice Image Dataset for Document Analysis and Understanding [8.855033708082832]
  本稿では,文書分析と理解の分野における研究者のための重要な資料であるFATURAを紹介する。 FATURAは、マルチアノテーションによる請求書の文書イメージを特徴とする、非常に多様なデータセットである。 各種文書分析・理解タスクの総合的なベンチマークを行い,多様な訓練・評価シナリオ下で実験を行う。
  論文  参考訳（メタデータ） (2023-11-20T15:51:14Z)
• FETILDA: An Effective Framework For Fin-tuned Embeddings For Long Financial Text Documents [14.269860621624394]
  本稿では,長い文書をチャンクに分割し,事前学習したLMを用いてチャンクをベクトル表現に処理・集約するディープラーニングフレームワークを提案し,実装する。 我々は、米国銀行からの10-Kの公開開示レポートの収集と、米国企業が提出した別のレポートのデータセットについて、我々の枠組みを評価した。
  論文  参考訳（メタデータ） (2022-06-14T16:14:14Z)

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。