論文の概要: Bar-JEPA: Extracting Values from Bar Chart with Joint-Embedding Predictive Architecture
- arxiv url: http://arxiv.org/abs/2608.06062v1
- Date: Thu, 06 Aug 2026 14:07:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.771474
- Title: Bar-JEPA: Extracting Values from Bar Chart with Joint-Embedding Predictive Architecture
- Title（参考訳）: Bar-JEPA: 統合埋め込み予測アーキテクチャによるBarチャートから値の抽出
- Abstract要約: バーチャートはデータ視覚化によく使われており、人間によって容易に理解されるが、基礎となるデータを抽出することは自明ではない。
そこでは、JEPAエンコーダを使用して、セマンティックにリッチな潜在機能を生成する。
このモデルとエンド・ツー・エンド・エンドの教師付きベースラインを比較すると, 自己教師付き微調整の有効性と抽出特徴の品質が明らかになる。
- 参考スコア（独自算出の注目度）: 50.95839069602553
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bar charts are commonly used in data visualization, and while they are easily understood by humans, it is non-trivial to extract the underlying data computationally. For a machine-learning-based approach, training chart de-rendering models usually requires labeled, real-world data. Labeling data is a time consuming task, which is why annotated data is scarce. Models can learn more efficiently when provided with features of high semantic quality, which a joint-embedding predictive architecture (JEPA) is designed to learn in a self-supervised manner. We present a per-bar, numerical value recovery pipeline for bar charts, where a JEPA encoder is used to produce semantically rich latent features. The decoder model consuming these features is simple and quick to train and outputs the coordinates of ticks and bars, which can be used to recover bar values. The effectiveness of self-supervised finetuning and quality of the extracted features is evident when comparing our model to end-to-end supervised baselines. Code, datasets and checkpoints are available on \href{https://github.com/dralois/Bar-JEPA}{GitHub}.
- Abstract（参考訳）: バーチャートはデータ視覚化によく使われており、人間によって容易に理解されるが、基礎となるデータを計算的に抽出するのは簡単ではない。
機械学習ベースのアプローチでは、トレーニングチャートのデレンダリングモデルは通常、ラベル付き実世界のデータが必要です。
データのラベル付けは時間のかかる作業であり、アノテーション付きデータが不足するのはそのためです。
モデルに高いセマンティック品質の特質を与えると、モデルはより効率的に学習でき、JEPAは自己管理的な方法で学習するように設計されている。
そこでは、JEPAエンコーダを使用して、セマンティックにリッチな潜在機能を生成する。
これらの特徴を消費するデコーダモデルは、簡単に訓練でき、バーの値の復元に使用可能な、ティッチとバーの座標を出力する。
このモデルとエンド・ツー・エンド・エンドの教師付きベースラインを比較すると, 自己教師付き微調整の有効性と抽出特徴の品質が明らかになる。
コード、データセット、チェックポイントは \href{https://github.com/dralois/Bar-JEPA}{GitHub} で入手できる。
関連論文リスト
- Making Multimodal LLMs Reliable Chart Data Extractors: A Benchmark and Training Framework [27.45365558629541]
既存のインタラクティブツールは信頼性があるが面倒であり、混合開始型システムであるが、より効率的であり、一般化性に欠ける。
最近の大規模言語モデル(MLLM)は、チャート解釈のための統一されたインタフェースを提供するが、正確なデータテーブルを抽出する能力は、特に可視ラベルなしでは、まだ不明である。
データラベルを使わずに、さまざまな実世界のチャートを特徴とするベンチマークを構築し、その能力を評価する。
その結果、現在のMLLMはテーブル構造を確実に再構築する一方で、正確な値回復に苦慮していることがわかった。
論文 参考訳（メタデータ） (2026-06-29T05:40:35Z) - BigCharts-R1: Enhanced Chart Reasoning with Visual Reinforcement Finetuning [51.472854950300416]
視覚的に多様なチャート画像を生成するデータセット生成パイプラインであるBigChartsを提案する。
純粋な合成データセットとは異なり、BigChartsは現実世界のデータを取り込んで、信頼性と視覚的多様性を保証する。
チャート推論に特化して設計された新たな報酬信号を導入することにより,モデルの堅牢性と一般化が促進される。
論文 参考訳（メタデータ） (2025-08-13T13:39:17Z) - Exploiting Local Features and Range Images for Small Data Real-Time Point Cloud Semantic Segmentation [4.02235104503587]
本稿では,3次元表現から得られる情報を利用して局所的な特徴を巧みにとらえる。
GPUベースのKDTreeは、素早いビルド、クエリ、プロジェクションの強化を、簡単な操作で実現している。
我々は,本モデルの縮小バージョンが,本格的な最先端モデルに対して強い競争力を示すだけでなく,リアルタイムに動作することを示す。
論文 参考訳（メタデータ） (2024-10-14T13:49:05Z) - Numerical Literals in Link Prediction: A Critical Examination of Models and Datasets [2.5999037208435705]
数値リテラルを組み込んだリンク予測モデルは、既存のベンチマークデータセットに対してわずかに改善されている。
モデルが数値リテラルを使用するのに実際に優れているのか、あるいはグラフ構造を利用するのに優れているのかは、不明である。
本稿では,数値リテラルを組み込んだLPモデルの評価手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T17:55:33Z) - Temporal Action Localization for Inertial-based Human Activity Recognition [9.948823510429902]
ビデオベースのヒューマンアクティビティ認識(TAL)は、任意の長さのタイムラインでアクティビティセグメントをローカライズするセグメントベースの予測アプローチに従っている。
本論文は、オフラインとニアオンラインのHAR(Human Activity Recognition)における最先端のTALモデルの適用性を体系的に示す最初のものである。
時系列全体を解析することにより、TALモデルはよりコヒーレントなセグメントを生成し、全てのデータセットに対して高いNULLクラス精度を実現することができることを示す。
論文 参考訳（メタデータ） (2023-11-27T13:55:21Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。
各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。
TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
論文 参考訳（メタデータ） (2023-07-03T13:58:20Z) - A Benchmark Generative Probabilistic Model for Weak Supervised Learning [2.0257616108612373]
アノテーションの負担を軽減するために、弱監視学習アプローチが開発されている。
遅延変数モデル(PLVM)が4つのデータセット間で最先端のパフォーマンスを実現することを示す。
論文 参考訳（メタデータ） (2023-03-31T07:06:24Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T22:46:33Z)
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。