論文の概要: PACE: Publisher-Adaptive Content Extraction via Agentic Automation

• arxiv url: http://arxiv.org/abs/2608.27466v1
• Date: Mon, 20 Jul 2026 18:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.391369
• Title: PACE: Publisher-Adaptive Content Extraction via Agentic Automation
• Title（参考訳）: PACE: エージェント自動化によるパブリッシャ適応コンテンツ抽出
• Abstract要約: 汎用抽出器はパブリッシャ固有のレイアウトやメタデータ、画像、テーブルなどのよりリッチな抽出ターゲットに対して脆弱である。 直接抽出は柔軟性が向上するが、大規模なコストとレイテンシが増大する一方、手動で設計したパブリッシャ固有の技術は高い精度を達成できるが、構築と維持には相当な人的労力を要する。 代表ページとユーザ要求から出版者固有の抽出設定を学習するためのエージェントフレームワークである PACE を紹介する。
• 参考スコア（独自算出の注目度）: 0.28647133890966986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Web content extraction is essential for reliable LLM data pipelines, yet existing methods often struggle to jointly satisfy accuracy, scalability, and adaptability. General-purpose extractors can be applied broadly, but they are often brittle on publisher-specific layouts and richer extraction targets such as metadata, images, and tables. Direct LLM-based extraction offers greater flexibility, but incurs substantial cost and latency at scale, while manually engineered publisher-specific parsers can achieve high accuracy but require substantial human effort to build and maintain. We introduce PACE, an agentic framework for learning publisher-specific extraction configurations from representative pages and user requirements. During training, PACE uses LLMs to analyze page structure and aggregate reusable extraction patterns. At inference time, the learned configurations instantiate a fixed deterministic extractor template, enabling scalable extraction without additional LLM calls. Experiments spanning article-body, metadata, and multimodal extraction show that PACE outperforms scalable non-manual baselines while approaching the quality of manually engineered publisher-specific parsers. PACE achieves stronger extraction of article text, metadata, images, and tables, demonstrating that agentic configuration learning can automate publisher-specific extraction for LLM-ready page representations beyond article text.
• Abstract（参考訳）: Webコンテンツ抽出は信頼性の高いLLMデータパイプラインには不可欠だが、既存の手法は精度、スケーラビリティ、適応性を共同で満たすのに苦労することが多い。 汎用抽出器は広く適用できるが、発行元固有のレイアウトやメタデータ、画像、テーブルなどのよりリッチな抽出ターゲットでは脆弱であることが多い。 直接LLMベースの抽出は柔軟性が向上するが、大幅なコストとレイテンシが生じる一方、手動で設計した出版社固有のパーサーは高い精度を達成できるが、構築と維持には相当な人的労力を要する。 代表ページとユーザ要求から出版者固有の抽出設定を学習するためのエージェントフレームワークである PACE を紹介する。 トレーニング中、PACEはLLMを使用してページ構造を分析し、再利用可能な抽出パターンを集約する。 推論時に、学習した構成は、固定決定論的抽出テンプレートをインスタンス化し、LLM呼び出しを追加せずにスケーラブルな抽出を可能にする。 記事本体、メタデータ、マルチモーダル抽出にまたがる実験により、PACEは手作業によるパブリッシャ固有のパーサの品質にアプローチしながら、スケーラブルな非手動ベースラインよりも優れていた。 PACEは、記事テキスト、メタデータ、画像、テーブルのより強力な抽出を実現し、エージェントによる構成学習が、記事テキスト以外のLLM対応ページ表現のパブリッシャ固有の抽出を自動化することを実証している。

関連論文リスト

• SALSA: Semi-Autonomous Literature Summarization Assistant [0.8921166277011348]
  SALSA(Semi-Autonomous Literature Summarization Assistant)は、マルチモーダル文献ソースから構造化された科学データセットを抽出する、オープンソースの人文間通信プラットフォームである。 ソフトウェアは、文書解析、大きな言語モデル、光学文字認識、コンピュータビジョン、数字のデジタル化、ユーザーガイドによる修正ツールを組み合わせている。
  論文  参考訳（メタデータ） (2026-09-01T20:39:50Z)
• IDP Accelerator: Agentic Document Intelligence from Extraction to Compliance Validation [3.539467892338473]
  IDP(Intelligent Document Processing) Acceleratorは、エンドツーエンドのドキュメントインテリジェンスのためのエージェントAIを実現するフレームワークである。 インタラクティブなデモでは、ユーザはドキュメントのパケットをアップロードし、分類結果を視覚化し、抽出したデータを探索することができる。
  論文  参考訳（メタデータ） (2026-02-26T20:20:38Z)
• Beyond a Single Extractor: Re-thinking HTML-to-Text Extraction for LLM Pretraining [78.36592534300839]
  表やコードブロックなどの構造化コンテンツの場合、抽出器の選択は下流のタスク性能に大きな影響を及ぼすことを示す。 これは単純な介入を示唆している: 異なる抽出器をユニオンに取り込むことで、DCLM-Baselineのトークン収率を最大71%向上させることができる。
  論文  参考訳（メタデータ） (2026-02-23T06:41:57Z)
• Training-Free Acceleration for Document Parsing Vision-Language Model with Hierarchical Speculative Decoding [102.88996030431662]
  本稿では,文書解析タスクの学習自由かつ高効率な高速化手法を提案する。 投機的復号化にインスパイアされた私たちは、将来のトークンのバッチを予測するために、ドラフトモデルとして軽量な文書解析パイプラインを使用します。 汎用OmniDocBenchに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2026-02-13T14:22:10Z)
• An Index-based Approach for Efficient and Effective Web Content Extraction [38.40209116782093]
  索引に基づくWebコンテンツ抽出について紹介する。 我々はHTMLを構造対応のアドレス可能なセグメントに分割し、あるクエリに関連するコンテンツの位置インデックスのみを抽出する。 本手法は、コンテンツ長からの抽出遅延を分離し、高速なクエリ関連抽出を可能にする。
  論文  参考訳（メタデータ） (2025-12-07T03:18:19Z)
• SCRIBES: Web-Scale Script-Based Semi-Structured Data Extraction with Reinforcement Learning [48.376164461507244]
  本稿では,SCRIBES (SCRIpt-Based Semi-Structured Content extract at Web-Scale) を紹介する。 各ページを個別に処理するのではなく、SCRIBESは構造的に類似したWebページのグループに適用可能な再利用可能な抽出スクリプトを生成する。 実験の結果,本手法はスクリプト品質が13%以上向上し,GPT-4oでは4%以上向上することがわかった。
  論文  参考訳（メタデータ） (2025-10-02T09:27:15Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• MLLM-Guided VLM Fine-Tuning with Joint Inference for Zero-Shot Composed Image Retrieval [50.062817677022586]
  Zero-Shot Image Retrieval (ZS-CIR) メソッドは通常、参照イメージを擬似テキストトークンに変換するアダプタを訓練する。 MLLM-Guided VLM Fine-Tuning with Joint Inference (MVFT-JI) を提案する。
  論文  参考訳（メタデータ） (2025-05-26T08:56:59Z)
• Instruct and Extract: Instruction Tuning for On-Demand Information Extraction [86.29491354355356]
  On-Demand Information extractは、現実世界のユーザのパーソナライズされた要求を満たすことを目的としている。 InstructIEというベンチマークを、自動生成したトレーニングデータと、人手による注釈付きテストセットの両方を含む形で提示する。 InstructIE 上に構築した On-Demand Information Extractor, ODIE をさらに発展させる。
  論文  参考訳（メタデータ） (2023-10-24T17:54:25Z)

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。