論文の概要: A Dual-Track Framework for Template-Constrained LaTeX Conversion
- arxiv url: http://arxiv.org/abs/2606.23107v1
- Date: Mon, 22 Jun 2026 09:51:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 00:07:14.216574
- Title: A Dual-Track Framework for Template-Constrained LaTeX Conversion
- Title（参考訳）: テンプレート制約付きLaTeX変換のためのデュアルトラックフレームワーク
- Authors: Chung Cheuk Hei, Liu Li,
- Abstract要約: 既存のアプローチは、決定論的ルールベースのコンバータか、純粋なエンドツーエンドのLarge Language Model (LLM) の生成に大きく依存している。
文書処理からテンプレートフォーマットを体系的に分離する堅牢なDual-Track Frameworkを導入する。
提案手法は, より優れた構造的忠実度, 多様なレイアウトを実現し, 以前のベースラインと比較して高いコンパイル成功率を達成する。
- 参考スコア（独自算出の注目度）: 1.906311743485569
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the increasing demands for advanced document conversion, mapping structured Markdown drafts into template-compliant formats like LaTeX remains a challenge. Existing approaches largely depend on either deterministic rule-based converters or pure end-to-end Large Language Model (LLM) generation. The former fails to correctly handle asset insertions and template-specific constraints, while the latter tends to induce semantic drift, leading to hallucinations that are difficult to debug. To address these limitations, we introduce a robust Dual-Track Framework that systematically decouples template formatting from document processing: an offline track extracts template constraints into a reusable manifest, while an online track implements a hybrid execution pipeline. This pipeline confines LLM usage exclusively to reasoning-intensive components (e.g., semantic metadata, bibliographic references, and complex visual/tabular layouts) while delegating rule-based engines for deterministic processing. Empirical evaluation across 7 LaTeX templates and 56 published research papers demonstrates that our method preserves better structural fidelity, satisfies diverse layout constraints, and achieves a higher compilation success rate compared to the previous baselines.
- Abstract（参考訳）: 高度なドキュメント変換の要求が高まっているため、構造化されたMarkdownドラフトをLaTeXのようなテンプレート準拠のフォーマットにマッピングすることは依然として課題である。
既存のアプローチは、決定論的ルールベースのコンバータか、純粋なエンドツーエンドのLarge Language Model (LLM) の生成に大きく依存している。
前者はアセット挿入やテンプレート固有の制約を正しく扱えないが、後者はセマンティックドリフトを引き起こす傾向があり、デバッグが難しい幻覚を引き起こす。
オフライントラックはテンプレート制約を再利用可能なマニフェストに抽出し、オンライントラックはハイブリッド実行パイプラインを実装します。
このパイプラインは、推論集約的なコンポーネント(セマンティックメタデータ、書誌参照、複雑なビジュアル/タブラルレイアウトなど)にのみLLMの使用を制限し、決定論的処理のためにルールベースのエンジンを委譲する。
7個のLaTeXテンプレートと56個の研究論文を比較検討した結果,提案手法は構造的忠実度を向上し,多様なレイアウト制約を満足し,以前のベースラインよりも高いコンパイル成功率を達成することが示された。
関連論文リスト
- Training-Free Acceleration for Document Parsing Vision-Language Model with Hierarchical Speculative Decoding [102.88996030431662]
本稿では,文書解析タスクの学習自由かつ高効率な高速化手法を提案する。
投機的復号化にインスパイアされた私たちは、将来のトークンのバッチを予測するために、ドラフトモデルとして軽量な文書解析パイプラインを使用します。
汎用OmniDocBenchに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2026-02-13T14:22:10Z) - FMBench: Adaptive Large Language Model Output Formatting [49.52930069696333]
適応型マークダウン出力フォーマットのベンチマークであるFMBenchを提案する。
2つのモデルファミリーの実験は、SFTが一貫してセマンティックアライメントを改善していることを示している。
結果はまた、意味的目的と構造的目的の間に固有のトレードオフを明らかにします。
論文 参考訳（メタデータ） (2026-02-06T04:42:06Z) - MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。
複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。
2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
論文 参考訳（メタデータ） (2025-11-13T15:12:17Z) - When Thoughts Meet Facts: Reusable Reasoning for Long-Context LMs [64.27273946787344]
最近のLong-Context Language Modelsは、1つのプロンプトで数十万のトークンを処理することができる。
我々は、従来の問題解決トレースから導かれた再利用可能な思考キャッシュとして、推論をリキャストする。
本稿では,自然言語フィードバックによって学習データから得られるテンプレートを反復的に洗練する更新戦略を提案する。
論文 参考訳（メタデータ） (2025-10-08T19:52:35Z) - Table2LaTeX-RL: High-Fidelity LaTeX Code Generation from Table Images via Reinforced Multimodal Language Models [53.03670032402846]
視覚的な入力から,高品質で出版可能なテーブルの再構築を自動化することを目的として,表画像からコード生成への課題に対処する。
このタスクの中心的な課題は、大きなサイズ、深くネストされた構造、セマンティックにリッチか不規則かという複雑なテーブルを正確に扱うことである。
本稿では,大規模テーブル・トゥ・ラデータセット上で事前学習したMLLMを微調整する,強化型マルチモーダル大規模言語モデル(MLLM)を提案する。
論文 参考訳（メタデータ） (2025-09-22T11:13:48Z) - SLICET5: Static Program Slicing using Language Models with Copy Mechanism and Constrained Decoding [13.61350801915956]
静的プログラムスライシングはソフトウェア工学の基本的な技術である。
ourtoolは静的プログラムスライシングをシーケンス・ツー・シーケンスタスクとして再構成する新しいスライシングフレームワークである。
ourtoolは、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2025-09-22T03:14:47Z) - ScaleDoc: Scaling LLM-based Predicates over Large Document Collections [17.985997510845873]
現代のワークロードでは、意味的理解を必要とする非構造化ドキュメントがますます多く含まれている。
textscScaleDocは、述語実行をオフライン表現フェーズと最適化されたオンラインフィルタリングフェーズに分離することで、この問題に対処する新しいシステムである。
textscScaleDocは2$times$のエンドツーエンドのスピードアップを実現し、高価なLCM呼び出しを最大85%削減し、大規模なセマンティック分析を実用的かつ効率的にする。
論文 参考訳（メタデータ） (2025-09-16T03:18:06Z) - Relation-Rich Visual Document Generator for Visual Information Extraction [12.4941229258054]
本稿では2段階のアプローチでこれらの制限に対処するリレーショナルrIchビジュアルドキュメンテーション・ジェネレータ(RIDGE)を提案する。
提案手法は,様々なVIEベンチマークにおける文書理解モデルの性能を大幅に向上させる。
論文 参考訳（メタデータ） (2025-04-14T19:19:26Z) - Iterative Document-level Information Extraction via Imitation Learning [32.012467653148846]
複雑な関係を抽出するための新しい反復抽出モデルIterXを提案する。
我々の模倣学習アプローチは、マルコフ決定過程(MDP)として問題を提起する。
これは、2つの確立されたベンチマークの最先端の結果につながる。
論文 参考訳（メタデータ） (2022-10-12T21:46:04Z) - Robust Document Representations using Latent Topics and Metadata [17.306088038339336]
本稿では,文書分類問題に対する事前学習型ニューラルネットワークモデルの微調整手法を提案する。
テキストとメタデータの両方をタスク形式でキャプチャする文書表現を生成します。
私たちのソリューションでは、メタデータを単にテキストで拡張するのではなく、明示的に組み込んでいます。
論文 参考訳（メタデータ） (2020-10-23T21:52:38Z)
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。