論文の概要: Context-Aware Explanations for Spatialized Document Layouts

• arxiv url: http://arxiv.org/abs/2606.28081v1
• Date: Fri, 26 Jun 2026 13:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.504681
• Title: Context-Aware Explanations for Spatialized Document Layouts
• Title（参考訳）: 空間化された文書レイアウトのための文脈対応記述法
• Abstract要約: CAPEは文書のセマンティクスとレイアウトに基づく空間的コンテキストの両方に根ざした説明を生成する。 AI誘導された概要とユーザ主導の探索の両方をサポートし、説明は複数のレベルで利用可能である。 本研究は,文書レイアウトの空間的構造を解釈する上で,コンテンツのみのベースラインよりも空間的根拠に基づく説明の方が有用であると考えられることを示唆する。
• 参考スコア（独自算出の注目度）: 5.978377590684754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatialized document layouts are widely used for exploratory analysis of text corpora, but interpreting the spatial organization of documents and the relationships between regions remains challenging. Existing approaches primarily summarize document content or explain how layouts are generated, providing limited support for understanding spatial relationships within the layout itself. We present CAPE, a context-aware explanation framework that generates natural-language explanations grounded in both document semantics and layout-derived spatial context. CAPE identifies salient spatial patterns (e.g., clusters, subgroups, outliers, and bridging documents) and constructs multi-level contextual representations to guide LLM-based explanation generation. It supports both AI-guided overview and user-driven exploration, with explanations available at multiple levels of detail. We demonstrate CAPE on news and scholarly document layouts and evaluate it in a controlled user study against keyword-based and content-only LLM baselines. Our results suggest that spatially grounded explanations are perceived as more helpful than content-only baselines for interpreting the spatial organization of document layouts.
• Abstract（参考訳）: テキストコーパスの探索的解析には空間化された文書レイアウトが広く用いられているが,文書の空間的構造と地域間関係の解釈は依然として困難である。 既存のアプローチは主にドキュメントの内容の要約やレイアウトの生成方法の説明であり、レイアウト自体の空間的関係を理解するための限定的なサポートを提供する。 本稿では,文書意味論とレイアウト由来の空間文脈の両方を基盤とした自然言語説明を生成する,文脈認識型説明フレームワークCAPEを提案する。 CAPEは、健全な空間パターン(例えば、クラスタ、サブグループ、アウトレーヤ、ブリッジングドキュメント)を特定し、LLMに基づく説明生成をガイドするために、多段階のコンテキスト表現を構築する。 AI誘導された概要とユーザ主導の探索の両方をサポートし、説明は複数のレベルで利用可能である。 本稿では,ニュースと学術文書のレイアウトをCAPEで実証し,キーワードベースおよびコンテンツ専用LCMベースラインに対して制御されたユーザスタディで評価する。 本研究は,文書レイアウトの空間的構造を解釈する上で,コンテンツのみのベースラインよりも空間的根拠に基づく説明の方が有用であると考えられることを示唆する。

関連論文リスト

• ConceptFormer: Learning Adaptive Latent Concepts for Query-Document Alignment in Visual Document Retrieval [62.80735412748694]
  ConceptFormerは、ビジュアル文書検索のための潜在概念表現学習フレームワークである。 クエリ関連エビデンスとは、局所化された視覚的エビデンスとセマンティックな関連性を明確に橋渡しする、連続的でクエリ条件付き潜在概念である。 平均的なNDCG@10では、最強のビジュアル検索ベースラインと最強のOCRベースのテキスト検索ベースラインに対して16.7%と22.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2026-08-16T12:07:12Z)
• LLM-Augmented Semantic Steering of Text Embedding Projection Spaces [7.516736502809871]
  LLMを付加したセマンティックステアリングを導入し、アナリストはプロジェクション内のサンプル文書の小さなセットをグループ化することでセマンティックな意図を表現できる。 大規模言語モデルは、この意図を自然言語表現として外部化し、関連する文書に選択的に拡張する。 結果のセマンティック情報は、テキスト拡張や埋め込みレベルのブレンディングを通じて文書表現に組み込まれる。
  論文  参考訳（メタデータ） (2026-05-03T16:41:11Z)
• MoDora: Tree-Based Semi-Structured Document Analysis System [62.01015188258797]
  半構造化文書は、様々な不規則なレイアウトで配置された様々なインターリーブされたデータ要素を統合する。 MoDora は半構造化文書解析のための LLM を利用したシステムである。 実験では、MoDoraは5.97%-61.07%の精度でベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-26T14:48:49Z)
• DMAP: Human-Aligned Structural Document Map for Multimodal Document Understanding [30.54420648726099]
  文書レベルの構造文書MAPは、階層的組織と多モード文書内の要素間関係の両方を符号化する。 この表現に基づいて、リフレクティブ推論エージェントは構造認識およびエビデンス駆動推論を実行する。 MMDocQAベンチマークの実験では、DMAPが文書固有の構造表現を人間の解釈パターンと一致させることが示されている。
  論文  参考訳（メタデータ） (2026-01-26T06:38:25Z)
• Structured Attention Matters to Multimodal LLMs in Document Understanding [52.37530640460363]
  入力形式が文書理解性能に与える影響について検討する。 生のOCRテキストはMLLMの性能を向上するのではなく、しばしば機能不全であることがわかった。 本稿では,LaTexパラダイムを用いて文書要素を符号化する構造保存手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T07:16:18Z)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• S2 Chunking: A Hybrid Framework for Document Segmentation Through Integrated Spatial and Semantic Analysis [0.0]
  文書チャンキングは自然言語処理(NLP)において重要な課題である 本稿では,レイアウト構造,意味解析,空間関係を組み合わせた新しいハイブリッド手法を提案する。 実験の結果、このアプローチは従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-08T09:06:29Z)
• SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
  階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。 SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。 データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
  論文  参考訳（メタデータ） (2024-06-13T02:35:55Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)

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。