論文の概要: SCAFFOLD: A Large-Scale Structured Dataset of Computer Science Research Figures with Diagram QA and Chain-of-Thought Reasoning Traces
- arxiv url: http://arxiv.org/abs/2609.00018v1
- Date: Thu, 20 Aug 2026 02:21:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-06 19:38:41.475064
- Title: SCAFFOLD: A Large-Scale Structured Dataset of Computer Science Research Figures with Diagram QA and Chain-of-Thought Reasoning Traces
- Title（参考訳）: SCAFFOLD: ダイアグラムQAとチェーンオブソート推論トレースを備えたコンピュータサイエンス研究図の大規模構造化データセット
- Abstract要約: 現在、特定の数字をキャプション、コンテキスト、質問、回答、ステップバイステップの推論と組み合わせる公開データセットは存在しない。
計算機科学研究図の大規模構造化データセットである textbfSCAFFOLD について述べる。
- 参考スコア（独自算出の注目度）: 0.23332469289621782
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Computer science papers rely heavily on diagrams: architecture drawings, system flowcharts, and pipeline schematics that often carry more information than the text around them. There is currently no public dataset that pairs this specific kind of figure with captions, context, questions, answers, and step-by-step reasoning, which is exactly what is needed to train a vision-language model to understand them. We present \textbf{SCAFFOLD}\footnote{https://github.com/theranjitraut/scaffold}, a large-scale structured dataset of computer science research figures with diagram QA and Chain-of-Thought reasoning traces. This dataset consists of (image, caption, context, question-answer, chain-of-thought) tuples from arXiv computer science papers prepared using layout detection and PDF parsing, with an AI-assisted question-generation step. The resulting large-sized SCAFFOLD-157K dataset spans 3,058 papers with 29,887 figures (157,387 pairs), a medium-sized SCAFFOLD-37K dataset (36,797 pairs), and a small-sized SCAFFOLD-12K dataset (12,000 pairs). We used SCAFFOLD-12K for baseline experiments on Qwen2.5-VL-3B-Instruct.
- Abstract（参考訳）: 計算機科学の論文は図式に大きく依存している: アーキテクチャ図、システムフローチャート、そして、その周りのテキストよりも多くの情報を運ぶパイプライン図式である。
現在、この特定のフィギュアをキャプション、コンテキスト、質問、回答、ステップバイステップの推論と組み合わせる公開データセットはありません。
本稿では,計算機科学研究の大規模データセットであるtextbf{SCAFFOLD}\footnote{https://github.com/theranjitraut/scaffold} について述べる。
このデータセットは、レイアウト検出とPDF解析を用いて準備されたarXivコンピュータ科学論文の(画像、キャプション、コンテキスト、質問応答、思考の連鎖)タプルと、AIによる質問生成ステップから構成される。
結果として得られた大規模なSCAFFOLD-157Kデータセットは、29,887桁(157,387対)、中規模のSCAFFOLD-37Kデータセット(36,797対)、小型のSCAFFOLD-12Kデータセット(12,000対)の3,058枚に及ぶ。
Qwen2.5-VL-3B-Instructのベースライン実験にSCAFFOLD-12Kを使用した。
関連論文リスト
- DiagramBank: A Large-scale Dataset of Diagram Design Exemplars with Paper Metadata for Retrieval-Augmented Generation [4.248969416909163]
89,422の図からなる大規模データセットであるDiagramBankについて紹介する。
DiagramBankは私たちの自動キュレーションパイプラインを通じて開発され、数字と対応するテキスト内参照を抽出します。
我々はダイアグラムバンクをインデクシング可能な形式でリリースし、ティーザーフィギュアの模範条件による合成を実証するための検索拡張世代を提供する。
論文 参考訳（メタデータ） (2026-02-28T04:17:35Z) - ScrapeGraphAI-100k: A Large-Scale Dataset for LLM-Based Web Information Extraction [0.0]
実世界のLLM抽出イベントの大規模データセットであるScrapeGraphAI-100kを紹介する。
9Mイベントから始まり、スキーマで重複してバランスを取り、さまざまなドメインにまたがる93,695のサンプルを生成します。
データセットの構造的多様性とその障害モードを,スキーマの複雑性として特徴付ける。
論文 参考訳（メタデータ） (2026-02-16T20:56:59Z) - SPIQA: A Dataset for Multimodal Question Answering on Scientific Papers [43.18330795060871]
SPIQAは、科学研究論文の文脈内で複雑な図形や表を解釈するために設計されたデータセットである。
データセット作成には自動および手動のキュレーションを使用します。
SPIQAは270Kの質問をトレーニング、検証、3つの異なる評価分割に分割する。
論文 参考訳（メタデータ） (2024-07-12T16:37:59Z) - mPLUG-PaperOwl: Scientific Diagram Analysis with the Multimodal Large
Language Model [73.38800189095173]
本研究はマルチモーダルLLMのマルチモーダルダイアグラム解析機能を強化することに焦点を当てる。
高品質な論文のLatexソースファイルを解析することにより、マルチモーダルなダイアグラム理解データセットM-Paperを慎重に構築する。
M-Paperは、画像やラテックス符号のフォーマットの数字や表を含む、複数の科学的図の合同理解をサポートする最初のデータセットである。
論文 参考訳（メタデータ） (2023-11-30T04:43:26Z) - Interactive Distillation of Large Single-Topic Corpora of Scientific
Papers [1.2954493726326113]
より堅牢だが時間を要するアプローチは、主題の専門家が文書を手書きするデータセットを構成的に構築することである。
ここでは,学術文献のターゲットデータセットを構築的に生成するための,機械学習に基づく新しいツールを紹介する。
論文 参考訳（メタデータ） (2023-09-19T17:18:36Z) - Towards Complex Document Understanding By Discrete Reasoning [77.91722463958743]
VQA(Document Visual Question Answering)は、自然言語による質問に答えるために、視覚的に豊富なドキュメントを理解することを目的としている。
我々は3,067の文書ページと16,558の質問応答ペアからなる新しいドキュメントVQAデータセットTAT-DQAを紹介する。
我々は,テキスト,レイアウト,視覚画像など,多要素の情報を考慮に入れたMHSTという新しいモデルを開発し,異なるタイプの質問にインテリジェントに対処する。
論文 参考訳（メタデータ） (2022-07-25T01:43:19Z) - Why do tree-based models still outperform deep learning on tabular data? [0.0]
木をベースとしたモデルが中規模データの最先端のままであることを示す。
木系モデルとニューラルネットワーク(NN)の異なる帰納バイアスに関する実証的研究を行う。
論文 参考訳（メタデータ） (2022-07-18T08:36:08Z) - Arch-Graph: Acyclic Architecture Relation Predictor for
Task-Transferable Neural Architecture Search [96.31315520244605]
Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。
Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。
わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
論文 参考訳（メタデータ） (2022-04-12T16:46:06Z) - Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data
via Differentiable Cross-Approximation [53.95297550117153]
本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。
提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
論文 参考訳（メタデータ） (2021-05-29T08:39:57Z) - A Graph Representation of Semi-structured Data for Web Question
Answering [96.46484690047491]
本稿では、半構造化データとそれらの関係の構成要素の体系的分類に基づいて、Webテーブルとリストのグラフ表現を提案する。
本手法は,最先端のベースラインに対してF1スコアを3.90ポイント向上させる。
論文 参考訳（メタデータ） (2020-10-14T04:01:54Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳（メタデータ） (2020-04-30T14:16:19Z)
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。