論文の概要: DOSA: A Tree-Guided, Self-Regressive Framework for Long Document Structure Analysis
- arxiv url: http://arxiv.org/abs/2607.22679v1
- Date: Sat, 11 Jul 2026 04:58:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:39.021653
- Title: DOSA: A Tree-Guided, Self-Regressive Framework for Long Document Structure Analysis
- Title（参考訳）: DOSA:長期文書構造解析のためのツリーガイド型自己回帰フレームワーク
- Abstract要約: 本稿では,ページオブジェクト間の関係を推測し,文書レベルの意味木を再構築するための木誘導フレームワークDOSAを提案する。
DOSAは文書をチャンク単位で処理し、各ページオブジェクトの視覚的、テキスト的、レイアウト的特徴を融合させ、階層的および順序的関係を予測する。
5つのベンチマークの結果はDOSAの有効性を示し、DocHieNet上で最大4つのF1ポイントと19のTEDSポイントが改善された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In visually-rich documents, information is encoded not only in individual page objects such as tables, headers, and text blocks, but also in the structural relations among them, making document structure analysis fundamental to information retrieval and document understanding. However, accurately inferring such relations remains challenging in multi-page documents with long-range dependencies and heterogeneous layouts. To address this, we propose a tree-guided and self-regressive framework, termed DOcument Structure Analyzer (DOSA), for inferring relations among page objects and reconstructing document-level semantic trees. DOSA processes documents chunk-by-chunk, fusing visual, textual, and layout features for each page object and predicting hierarchical and ordering relations. The predicted relations are used to incrementally construct a semantic tree, which is then leveraged as structural context to guide inference on subsequent chunks. Experimental results on five benchmarks demonstrate the effectiveness of DOSA, with improvements of up to 4 F1 points and 19 TEDS points on DocHieNet, the most challenging multi-page hierarchy benchmark.
- Abstract（参考訳）: 視覚的に豊かな文書では、情報はテーブル、ヘッダ、テキストブロックなどの個々のページオブジェクトだけでなく、それらの構造的関係においても符号化され、情報検索や文書理解に基本となる文書構造解析が行われる。
しかし、長い範囲の依存関係と不均一なレイアウトを持つ多ページ文書では、そのような関係を正確に推測することは依然として困難である。
そこで本研究では,ページオブジェクト間の関係を推測し,文書レベルのセマンティックツリーを再構築するための,Doccument Structure Analyzer (DOSA) と呼ばれるツリー誘導自己回帰フレームワークを提案する。
DOSAは文書をチャンク単位で処理し、各ページオブジェクトの視覚的、テキスト的、レイアウト的特徴を融合させ、階層的および順序的関係を予測する。
予測された関係は、セマンティックツリーを漸進的に構築するために使用され、後続のチャンクの推論を導く構造的コンテキストとして利用されます。
5つのベンチマークの実験結果はDOSAの有効性を示し、最も難しいマルチページ階層ベンチマークであるDocHieNetの最大4つのF1ポイントと19個のTEDSポイントを改善した。
関連論文リスト
- LongDocBench: Benchmarking TOC Hierarchy and Contextual Relationship Recovery in Long Documents [7.641999919052611]
我々は,85の現実世界の財務報告,教科書,および2,582ページに及ぶ学術論文からなるtextscLongDocBenchを紹介した。
3,937のノード(平均ノード深さ3.55、最大深度9)と2,680のテーブルと図形オブジェクトにアノテートされた3,258のコンテキスト関係に対して、人間検証されたアノテーションを提供する。
長期文書質問回答実験は、人間の検証された階層と文脈的関係が推論を改善し、それらの組み合わせが補完的な利益をもたらすことを示している。
論文 参考訳（メタデータ） (2026-08-15T06:25:26Z) - Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing [53.41293908252118]
我々は、エキスパートレベルの文書解析のための困難を意識したベンチマークであるDocBench博士を紹介する。
Dr. DocBenchは52のBISACドメインにまたがり、障害ベースのサンプリングによってドキュメントを選択する。
約100ページにわたる長いドキュメントから4,514ページの注釈付きページが含まれており、レイアウト、読み込み順序、階層的関係、ドメイン固有のビジュアルコンテンツなど、65kの高品質なアノテーションがある。
本分析では,文書インテリジェンスを診断・進展するための総合的なテストベッドとしてDocBench博士が注目されている。
論文 参考訳（メタデータ） (2026-05-31T18:35:30Z) - MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing [74.84107522458798]
MPDocBench-Parseは、現実世界のアプリケーションにおけるマルチページ文書解析のためのベンチマークである。
433の注釈付き文書に3,246ページあり、英語と中国語の15種類の文書を網羅しており、レイアウトは様々である。
論文 参考訳（メタデータ） (2026-05-21T07:36:41Z) - Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA [71.42483000929614]
複数ページのドキュメント 視覚的質問回答は、長い、視覚的に密集したドキュメントにおける意味論、レイアウト、および視覚的要素の推論を必要とする。
我々は,多ページDocVQAをシーケンシャルエビデンスアグリゲーションとしてキャストするtextbfOCRフリーエージェントフレームワークであるDoc-$V*$を提案する。
論文 参考訳（メタデータ） (2026-04-15T11:12:27Z) - 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) - BookRAG: A Hierarchical Structure-aware Index-based Approach for Retrieval-Augmented Generation on Complex Documents [11.158307125677375]
Retrieval-Augmented Generation (RAG)は、外部の複雑なドキュメントから非常に関連性の高い情報をクエリする。
本稿では,階層構造を持つ文書を対象とした新しいRAG手法であるBookRAGを紹介する。
BookRAGは最先端のパフォーマンスを実現し、検索リコールとQA精度の両方において、ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-12-03T03:40:49Z) - 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) - 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) - ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。
我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。
我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
論文 参考訳（メタデータ） (2025-02-11T21:35:13Z) - Detect-Order-Construct: A Tree Construction based Approach for Hierarchical Document Structure Analysis [9.340346869932434]
本稿では,複数のサブタスクを同時に処理する木構築手法を提案する。
このフレームワークに基づく効果的なエンドツーエンドソリューションを提案し,その性能を実証する。
本システムでは,2つの大規模文書レイアウト解析データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-01-22T12:00:37Z)
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。