論文の概要: Locating Failure in Multi-Page Visually Rich Document Understanding: An Empirical Attribution

• arxiv url: http://arxiv.org/abs/2608.07943v1
• Date: Sat, 08 Aug 2026 06:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.577546
• Title: Locating Failure in Multi-Page Visually Rich Document Understanding: An Empirical Attribution
• Title（参考訳）: 多ページビジュアルリッチ文書理解における障害の所在:実証的属性
• Abstract要約: マルチページ視覚豊かな文書理解(MP-VRDU)では、スパースで、ページ全体に広がり、しばしばモデルのコンテキストウインドウを超える証拠を管理する必要がある。 我々は,3つの障害モード,表現,選択,推論を誤った回答とみなし,それぞれを複数ページの文書理解データセット上で分離する。 これらの知見を,固定計算予算下でのシステム構築のためのガイダンスに翻訳する。
• 参考スコア（独自算出の注目度）: 33.57068605295354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-page visually-rich document understanding (MP-VRDU) requires managing evidence that is sparse, spread across pages, and often exceeds a model's context window. Prior work has produced competing, largely untested claims about how these systems should be built. We attribute incorrect answers to three failure modes, representation, selection, and reasoning, and isolate each over a multi-page document understanding dataset by intervening on one while holding the others fixed. We find that vision is necessary but does not replace text extraction, that missing pages bound accuracy while distractors cost little, and that reasoners fail to integrate evidence across pages even when it is fully supplied. Prompting can shift reasoning behaviour substantially, improving some outcomes at the expense of others. We translate these findings into guidance for building such systems under a fixed compute budget.
• Abstract（参考訳）: マルチページ視覚豊かな文書理解(MP-VRDU)では、スパースで、ページ全体に広がり、しばしばモデルのコンテキストウインドウを超える証拠を管理する必要がある。 以前の作業では、これらのシステムがどのように構築されるべきかについて、ほとんど証明されていない、競合する主張が生まれていた。 我々は,3つの障害モード,表現,選択,推論を誤った回答とみなし,それぞれを複数ページの文書理解データセット上で分離する。 我々は、視覚は必要だが、テキスト抽出に取って代わるものではないこと、欠落したページが精度に制限されていること、不注意なページがほとんどコストがかからないこと、そして、それが完全に供給されても、ページ間のエビデンスを統合することができないことを発見している。 プロンプティングは推論の行動を大きく変え、他人を犠牲にしていくつかの結果を改善する。 これらの知見を,固定計算予算下でのシステム構築のためのガイダンスに翻訳する。

関連論文リスト

• MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA [14.865891513918278]
  長い文書のマルチモーダルな質問応答には、長いPDFでスパースエビデンスを見つけるシステムが必要である。 本稿では,長期文書マルチモーダルQAのための多言語適応グラフエビデンスフレームワークであるMAGE-RAGを提案する。
  論文  参考訳（メタデータ） (2026-06-14T16:34:15Z)
• 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)
• Chain of Evidence: Pixel-Level Visual Attribution for Iterative Retrieval-Augmented Generation [19.889854990300595]
  反復検索拡張生成(iRAG)は、複雑なマルチホップ問題に答える強力なパラダイムとして登場した。 Evidence (CoE) の textbfChain について述べる。
  論文  参考訳（メタデータ） (2026-05-02T06:40:42Z)
• 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)
• $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
  G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。 Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。 5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
  論文  参考訳（メタデータ） (2026-01-29T17:52:54Z)
• Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
  視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。 本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。 このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
  論文  参考訳（メタデータ） (2025-11-28T03:09:40Z)
• DocLens : A Tool-Augmented Multi-Agent Framework for Long Visual Document Understanding [59.4112754806335]
  我々は、レンズのようなエビデンスに対して「効果的にズームインする」ツール強化マルチエージェントフレームワークであるDocLensを提案する。 最初はドキュメント全体から、関連するページの特定のビジュアル要素にナビゲートし、次にサンプリング・アジュディテーション機構を使用して、信頼できる1つの回答を生成する。 MMLongBench-DocとFinRAG-Vで最先端のパフォーマンスを達成し、人間専門家さえ超えている。
  論文  参考訳（メタデータ） (2025-11-14T18:42:18Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)

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。