論文の概要: A Table Is Worth 64 Tokens: Pixel-level Compression for Multi-Table Document Question Answering

• arxiv url: http://arxiv.org/abs/2608.26949v1
• Date: Thu, 27 Aug 2026 10:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.361932
• Title: A Table Is Worth 64 Tokens: Pixel-level Compression for Multi-Table Document Question Answering
• Title（参考訳）: タブレットは64ドルの価値がある: マルチタスクの文書質問に対するPixelレベルの圧縮
• Abstract要約: 複数のテーブルを持つ文書に対する質問応答のための画素レベルのテーブル圧縮について検討する。 ダウンスケーリングテーブルは、より長く、より効果的でない推論トレースで、可読性の損失を補う。 我々は、この非対称性をトレーニング不要の2段階法で活用する。
• 参考スコア（独自算出の注目度）: 45.16512495221491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Answering questions over real-world documents requires processing long inputs that interleave text with tables. Optical context compression, which represents context as images, promises to reduce token cost, but its effect on table understanding remains unclear. We study pixel-level table compression for question answering over documents with multiple tables, evaluating five VLMs across two benchmarks and five visual-token budgets. Representing tables as images at native resolution matches text in both performance and efficiency, but downscaling them makes models compensate the loss in readability with longer, less effective reasoning traces that cancel the expected savings. Highly downscaled tables, however, preserve enough signal to identify whether they are relevant to a question. We exploit this asymmetry with a training-free, two-step method: the model first identifies the tables needed to answer a question from a pixel-compressed context, and then reasons over those at native resolution. On long documents, our method saves 41% of total tokens and gains 7 accuracy points over single-step QA with native resolution tables. It also uses 15% fewer tokens than the most efficient single-step compressed configuration, with no accuracy loss.
• Abstract（参考訳）: 実際の文書に対する質問に答えるには、テキストをテーブルでインターリーブする長い入力を処理する必要がある。 コンテクストを画像として表現する光学的コンテキスト圧縮はトークンコストを削減することを約束するが、テーブル理解への影響はいまだ不明である。 複数のテーブルを持つ文書に対する質問応答のための画素レベルのテーブル圧縮について検討し、2つのベンチマークと5つの視覚的予算で5つのVLMを評価した。 テーブルをネイティブ解像度の画像として表現することは、パフォーマンスと効率の両方でテキストと一致するが、それらをダウンスケールすることで、モデルが可読性を失うことを補う。 しかし、高スケールのテーブルは、それらが質問に関係しているかどうかを特定するのに十分な信号を保持する。 モデルはまず、ピクセル圧縮されたコンテキストから質問に答えるために必要なテーブルを識別し、その後、ネイティブ解像度での質問に対する理由付けを行う。 長文では,全トークンの41%を保存し,ネイティブ解像度テーブルを用いた単一ステップのQAに対して7つの精度ポイントを得る。 また、最も効率的なシングルステップ圧縮構成よりも15%少ないトークンを使用する。

関連論文リスト

• Telegraph English: Semantic Prompt Compression via Structured Symbolic Rewriting [0.0]
  本稿では,自然言語を記号に富んだ形式化された方言に書き換えるプロンプト圧縮プロトコルを提案する。 行構造規則の結果として、圧縮とセマンティックチャンキングは同じ操作になる。 TEは,5つのOpenAIモデルと2つの難易度で,LongBench-v2から4,081の質問応答対について評価した。
  論文  参考訳（メタデータ） (2026-05-06T02:40:55Z)
• DenTab: A Dataset for Table Recognition and Visual QA on Real-World Dental Estimates [2.7885016877286897]
  DenTabは、高品質なHTMLアノテーションを備えた歯科用推定値から2000個のトリミングされたテーブルイメージのデータセットである。 我々は、14の視覚言語エグゼキュータモデル(VLM)と2つのOCRベースラインを含む16のシステムをベンチマークした。 本稿では,算術的質問を決定論的実行にルーティングするテーブルルータパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-04-17T14:33:51Z)
• Rethinking Token Reduction for Large Vision-Language Models [95.48478689025696]
  LVLM(Large-Language Models)は、視覚的理解と推論において優れているが、過度の視覚トークンは高い推論コストをもたらす。 一般化設計の限界を克服し,メタコンプレックスと呼ばれる学習に基づくプロンプト非依存型メタコンプレックスを提案する。
  論文  参考訳（メタデータ） (2026-03-23T08:40:08Z)
• CORE-T: COherent REtrieval of Tables for Text-to-SQL [91.76918495375384]
  CORE-Tはスケーラブルでトレーニング不要なフレームワークで、テーブルに目的のメタデータを付加し、軽量なテーブル互換キャッシュをプリコンプリートする。 バード、スパイダー、MMQAを越えて、CORE-Tはテーブル選択F1を最大22.7ポイント改善し、最大42%のテーブルを検索する。
  論文  参考訳（メタデータ） (2026-01-19T14:51:23Z)
• Inference Optimal VLMs Need Fewer Visual Tokens and More Parameters [54.01228554126122]
  視覚言語モデル(VLM)は、様々な視覚的理解と推論タスクにまたがる強力な能力を示している。 推論コストを削減するために、LLM(Large Language Models)を縮小するか、イメージを表すのに必要な入力トークンの数を削減できる。 高速圧縮に適したトークン圧縮アルゴリズムを設計する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2024-11-05T18:54:21Z)
• QUITO-X: A New Perspective on Context Compression from the Information Bottleneck Theory [75.81394991657545]
  問題をモデル化するために情報ボトルネック理論(IB)を導入する。 IBにおける相互情報に近似するクロスアテンションに基づく手法を提案する。 提案手法は,最先端技術と比較して25%の圧縮率向上を実現している。
  論文  参考訳（メタデータ） (2024-08-20T02:44:45Z)
• Transformer based Pluralistic Image Completion with Reduced Information Loss [72.92754600354199]
  トランスフォーマーをベースとした手法は,近年,イメージインペイントにおいて大きな成功を収めている。 彼らは各ピクセルをトークンとみなし、情報損失の問題に悩まされる。 我々はPUTと呼ばれる新しいトランスフォーマーベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T01:20:16Z)
• Optimized Table Tokenization for Table Structure Recognition [2.9398911304923447]
  変換器ベースのモデルでは、画像からマークアップ・シーケンスのアプローチを用いてテーブル構造を印象的な精度で認識できることが示されている。 テーブルのイメージのみを取ると、そのようなモデルはテーブルの構造を表すトークンのシーケンスを予測する。 本稿では,最小限の語彙と特定の規則を持つテーブル構造言語(OTSL)を提案する。
  論文  参考訳（メタデータ） (2023-05-05T09:38:47Z)
• Multi-Type-TD-TSR -- Extracting Tables from Document Images using a Multi-stage Pipeline for Table Detection and Table Structure Recognition: from OCR to Structured Table Representations [63.98463053292982]
  テーブルの認識は、テーブル検出とテーブル構造認識という2つの主要なタスクから構成される。 最近の研究は、テーブル構造認識のタスクにトランスファーラーニングを併用したディープラーニングアプローチへの明確な傾向を示している。 本稿では,テーブル認識問題に対するエンドツーエンドのソリューションを提供するMulti-Type-TD-TSRというマルチステージパイプラインを提案する。
  論文  参考訳（メタデータ） (2021-05-23T21:17:18Z)
• Table Structure Extraction with Bi-directional Gated Recurrent Unit Networks [5.350788087718877]
  本稿では,検出されたテーブルから行や列を高精度に抽出する,堅牢な深層学習手法を提案する。 我々は、現在利用可能なUNLVとICDAR 2013データセットのベンチマークを行い、最先端のテーブル構造抽出システムよりも大幅に性能を向上した。
  論文  参考訳（メタデータ） (2020-01-08T13:17:44Z)

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。