論文の概要: Source-Grounded Data Generation for Text-to-JSON Learning

• arxiv url: http://arxiv.org/abs/2606.20072v1
• Date: Thu, 18 Jun 2026 10:47:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.803087
• Title: Source-Grounded Data Generation for Text-to-JSON Learning
• Title（参考訳）: テキスト・トゥ・JSON学習のためのソース・グラウンドデータ生成
• Authors: Sunghee Ahn, Guijin Son, Youngjae Yu,
• Abstract要約: 本稿では,ソースグラウンドのテキスト-JSONデータ生成パイプラインであるSTAGEを提案する。 本稿では,STAGEが既存のアプローチよりも強力なトレーニングデータを生成することを示す。 これはQ3-4Bの正確なマッチを31.37%から74.27%に改善し、値の精度は851.6%から90.69%に向上した。
• 参考スコア（独自算出の注目度）: 24.82878938113544
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: From financial filings to clinical records, legacy industries rely heavily on long, unstructured documents to store high-value information. Reliably extracting this information into structured, machine-readable representations is a key prerequisite to making the contents accessible to automated systems. JSON is a natural target for such structured extraction, yet constructing reliable and scalable text-to-JSON training data remains challenging. To address this gap, we propose STAGE (Spreadsheet-grounded Text-to-JSON Artifact GEneration), a source-grounded data generation pipeline that constructs reports and JSON schema by using LLMs for scalable synthesis while validating ground-truth values against the underlying spreadsheet. Evaluations on STAGE-Eval, our source-grounded benchmark with an 851-example test set, show that STAGE produces stronger training data than existing approaches. This improves Qwen3-4B exact match from 31.37% to 74.27% and value accuracy from 45.46% to 90.69%.
• Abstract（参考訳）: ファイナンシャル・ファイリングから臨床記録まで、レガシ産業は価値の高い情報を保存するために長く構造化されていない文書に大きく依存している。 この情報を構造化された機械可読表現に確実に抽出することは、コンテンツが自動化されたシステムにアクセスできるための鍵となる前提条件である。 JSONはそのような構造化された抽出の自然なターゲットであるが、信頼性が高くスケーラブルなテキスト対JSONのトレーニングデータを構築することは依然として難しい。 このギャップに対処するため,本研究では,LLMを用いてレポートとJSONスキーマを構築し,基盤となるスプレッドシートに対して基幹構造値の検証を行うソースグラウンドデータ生成パイプラインであるSTAGE(Spreadsheet-grounded Text-to-JSON Artifact GEneration)を提案する。 その結果,STAGE-Evalの評価は,既存の手法よりも強いトレーニングデータを生成することを示す。 これによりQwen3-4Bの精度は31.37%から74.27%に向上し、値精度は45.46%から90.69%に向上した。

関連論文リスト

• The Structured Output Benchmark: A Multi-Source Benchmark for Evaluating Structured Output Quality in Large Language Models [0.23332469289621785]
  SOB(Structured Output Benchmark)は3つのソースにまたがるマルチソースベンチマークである。 すべてのモデルは、ソースのモダリティに関係なく、コンテキストのテキスト正規化表現を受け取る。 モデルは、ほぼ完璧なスキーマコンプライアンスを実現するが、正確な葉値マッチングによって測定された最高の値精度は、テキスト上では83.0%にしか達しない。
  論文  参考訳（メタデータ） (2026-04-28T08:27:01Z)
• Autoregressive Synthesis of Sparse and Semi-Structured Mixed-Type Data [2.191505742658975]
  我々は、データレコードをキー、値、構造トークンのシーケンスにトークン化する自動回帰トランスフォーマーベースのアーキテクチャであるOrigamiを提案する。 この表現は、平らさや計算を伴わずに、空間性、混合型、階層構造を扱う。
  論文  参考訳（メタデータ） (2026-03-02T04:47:50Z)
• DeepJSONEval: Benchmarking Complex Nested JSON Data Mining for Large Language Models [6.653834890554154]
  多層ネスト構造は、データをキーと値のペア、配列、ネストオブジェクトに整理する。 例えば、ニュース集約では、オブジェクトは記事のメタデータ(タイトル、著者、日付)、コンテンツ(テキスト、マルチメディア)、マルチメディア情報(マルチダイアログ、キャプション)を階層的にネストすることができる。 DeepJSONEvalは、2100のマルチドメインインスタンスと深いネスト構造を特徴とする新しいベンチマークで、難易度によって分類される。
  論文  参考訳（メタデータ） (2025-09-30T08:18:20Z)
• StructText: A Synthetic Table-to-Text Approach for Benchmark Generation with Multi-Dimensional Evaluation [8.251302684712773]
  StructTextは、テキストからキー値抽出のための高忠実度ベンチマークを自動的に生成するエンドツーエンドフレームワークである。 提案手法は,49件の文書を対象とした71,539件のサンプルを用いて評価した。
  論文  参考訳（メタデータ） (2025-07-28T21:20:44Z)
• Learning to Generate Structured Output with Schema Reinforcement Learning [83.09230124049667]
  本研究では,大規模言語モデル(LLM)の構造的生成能力について検討する。 最新のLLMはまだ有効な文字列を生成するのに苦労している。 我々のモデルでは、出力と下流の両方のタスクが大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-26T06:45:29Z)
• StrucText-Eval: Evaluating Large Language Model's Reasoning Ability in Structure-Rich Text [29.03935605732864]
  我々はStrucText-Evalという,構造化テキストによる大規模言語モデルの理解と推論の精度を評価するベンチマークを紹介した。 オープンソース LLM が標準データセットで74.9% の最大精度を達成する一方で、そのパフォーマンスはより難しいデータセットで45.8% に大幅に低下していることを示す。 対照的に、人間の参加者はStrucText-Eval-Hardで92.6%の精度に達し、複雑な構造情報を扱うLLMの現在の限界を強調している。
  論文  参考訳（メタデータ） (2024-06-15T12:48:00Z)
• TarGEN: Targeted Data Generation with Large Language Models [51.87504111286201]
  TarGENは、高品質な合成データセットを生成するための、多段階のプロンプト戦略である。 我々は,LLMが不正確なラベル付きインスタンスを修正できるようにする自己補正法により,TarGENを増強する。 合成データセットを元のデータセットと比較した包括的な分析により、データセットの複雑さと多様性の類似または高いレベルが明らかになる。
  論文  参考訳（メタデータ） (2023-10-27T03:32:17Z)
• Grounded Keys-to-Text Generation: Towards Factual Open-Ended Generation [92.1582872870226]
  そこで我々は,新しい接地型キー・ツー・テキスト生成タスクを提案する。 タスクは、ガイドキーと接地パスのセットが与えられたエンティティに関する事実記述を生成することである。 近年のQAに基づく評価手法に着想を得て,生成した記述の事実的正当性を示す自動計量MAFEを提案する。
  論文  参考訳（メタデータ） (2022-12-04T23:59:41Z)
• Partially-Aligned Data-to-Text Generation with Distant Supervision [69.15410325679635]
  我々はPADTG(Partially-Aligned Data-to-Text Generation)と呼ばれる新しい生成タスクを提案する。 自動的にアノテートされたデータをトレーニングに利用し、アプリケーションドメインを大幅に拡張するため、より実用的です。 我々のフレームワークは、全てのベースラインモデルより優れており、部分整合データの利用の可能性を検証する。
  論文  参考訳（メタデータ） (2020-10-03T03:18:52Z)

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。