論文の概要: LongDocBench: Benchmarking TOC Hierarchy and Contextual Relationship Recovery in Long Documents
- arxiv url: http://arxiv.org/abs/2608.15064v1
- Date: Sat, 15 Aug 2026 06:25:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.178374
- Title: LongDocBench: Benchmarking TOC Hierarchy and Contextual Relationship Recovery in Long Documents
- Title（参考訳）: LongDocBench: 長期ドキュメントにおけるTOC階層とコンテキスト関係回復のベンチマーク
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.641999919052611
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Parsing visual documents into machine-readable representations is fundamental to document intelligence. Existing benchmarks focus on page-level element recognition, reading order, formula recognition, and table structure. Long documents, however, also require document-level structure recovery. This includes reconstructing cross-page table-of-contents (TOC) hierarchies and identifying typed links from tables and figures to their captions, notes, and sources, often in one-to-many form. Because these structures are covered only partially or subsumed within broader parsing protocols, existing benchmarks cannot directly evaluate two key document-level tasks: \emph{Table-of-Contents Hierarchy Recovery} and \emph{Contextual Relationship Recovery}. To benchmark these two tasks, we introduce \textsc{LongDocBench}, comprising 85 real-world financial reports, textbooks, and academic papers spanning 2,582 pages, with up to 105 pages per document. It provides human-verified annotations for 3,937 heading nodes (mean node depth 3.55; maximum depth 9) and 3,258 contextual relationships annotated across 2,680 table and figure objects. We further evaluate both the downstream utility and recoverability of these structures. Long-document question-answering experiments show that human-verified TOC hierarchies and contextual relationships improve reasoning, with their combination providing complementary benefits. Meanwhile, representative document parsers remain limited on both recovery tasks despite strong page-level performance. To support further progress, we publicly release \textsc{LongDocBench} and its evaluation protocol and reproducible testbed for advancing document-level structure recovery in long documents.
- Abstract（参考訳）: 視覚文書を機械可読表現にパースすることは、文書のインテリジェンスに不可欠である。
既存のベンチマークではページレベルの要素認識、読み込み順序、公式認識、テーブル構造に重点を置いている。
しかし、長いドキュメントはドキュメントレベルの構造回復も必要である。
これには、ページ間のテーブル・オブ・コンテント(TOC)階層の再構築や、テーブルやフィギュアからキャプション、メモ、ソースへの型付きリンクの識別が含まれる。
これらの構造は部分的またはより広範な解析プロトコルでのみカバーされるため、既存のベンチマークでは2つの主要な文書レベルのタスクを直接評価することはできない: \emph{Table-of-Contents Hierarchy Recovery} と \emph{Contextual Relationship Recovery} である。
これら2つのタスクをベンチマークするために、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を1文書につき最大105ページまで含む「textsc{LongDocBench}」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。
さらに、これらの構造物の下流の実用性と復旧性について検討する。
長期文書質問回答実験は、人間によって検証されたTOC階層と文脈関係が推論を改善し、それらの組み合わせが相補的な利点をもたらすことを示している。
一方、ページレベルのパフォーマンスが強いにもかかわらず、ドキュメントパーサは両方のリカバリタスクに制限されている。
さらなる進展をサポートするため、長い文書における文書レベルの構造回復を促進するために、textsc{LongDocBench}とその評価プロトコルと再現可能なテストベッドを公開リリースする。
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) - FormStruct-Bench:A Hierarchical and Diagnostic Benchmark for Table-Form Document Structure Recognition [3.879207672674058]
本稿では,テーブル形式の文書構造認識を評価する階層的および診断的ベンチマークであるFormStruct-Benchを紹介する。
オーディショナブルな地上真実を大規模に構築するために、70の再利用可能なテンプレートを注釈付けし、7000の検証済みインスタンスに拡張する。
14以上のAPIがホストされ、ローカルにデプロイ可能なシステムと2つのSFT版があり、最高の文書レベルスコアは83.85%に達し、報告されている最も詳細な構造スコアは18%以下である。
論文 参考訳（メタデータ） (2026-08-11T02:44:34Z) - DOSA: A Tree-Guided, Self-Regressive Framework for Long Document Structure Analysis [0.0]
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。
論文 参考訳（メタデータ） (2026-07-11T04:58:00Z) - Trace Only What You Need: Structure-Aware On-Demand Hypergraph Memory for Long-Document Question Answering [11.17007249581283]
長い文書の質問応答は、長い文書に散在する証拠を推論するために大きな言語モデルを必要とする。
既存の構造化RAG手法には,コストのかかるクエリ非依存の知識組織,オリジナルドキュメント構造の使用不足,歴史的推論経験の再利用の3つの制限がある。
本稿では、問合せトリガードナレッジ組織、文書構造認識、経験誘導推論をサポートする長期文書QAのためのマルチエージェントRAGフレームワークDocTraceを提案する。
論文 参考訳（メタデータ） (2026-06-09T14:29:06Z) - 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) - 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) - 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) - PDFTriage: Question Answering over Long, Structured Documents [60.96667912964659]
構造化文書をプレーンテキストとして表現することは、これらの文書をリッチな構造でユーザ精神モデルと矛盾する。
本稿では,構造や内容に基づいて,モデルがコンテキストを検索できるPDFTriageを提案する。
ベンチマークデータセットは,80以上の構造化文書に900以上の人間が生成した質問からなる。
論文 参考訳（メタデータ） (2023-09-16T04:29:05Z)
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。