論文の概要: Layout-Guided Masking for GROBID: Lightweight Structural Gains in Large-Scale Scientific PDF Ingestion

• arxiv url: http://arxiv.org/abs/2609.26381v1
• Date: Tue, 22 Sep 2026 13:24:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.388514
• Title: Layout-Guided Masking for GROBID: Lightweight Structural Gains in Large-Scale Scientific PDF Ingestion
• Title（参考訳）: GROBIDのためのレイアウトガイドによるマスキング:大規模科学PDFにおける軽量構造ゲイン
• Abstract要約: GROBIDは、CPU上で動作するモジュール型のフォントストリームで、PDFを機械可読のフルテキストに変換する。 我々の拡張は、ほとんどのメトリクスにおいて、平易なGROBIDよりも改善します。 価格は2.7ドル-3.2時間で、最も安いGPUシステムより安い。
• 参考スコア（独自算出の注目度）: 2.3229250594319857
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transforming scholarly PDFs into machine-readable fulltext remains a bottleneck for large-scale information systems. Recent vision-based parsers improve accuracy, but need GPUs and may introduce noise into the extracted text. GROBID, a modular font-stream parser running on CPU, is the de-facto standard for structuring scientific articles and underpins several of the largest open scholarly corpora. We pair it with a lightweight CPU detector localising figure, table, and paratext (header, footer, page number) regions, encoded as typed-area masks whose tokens are routed to GROBID's specialised models or discarded. On two PMC corpora, Bioinformatics (1,926 articles) and Materials Science (2,595), scored against JATS with a section-aware structural protocol, our extension improves over plain GROBID on most metrics (NS $+0.025$/$+0.013$; $+0.086$ paragraph recall on Materials Science, $d_z{=}1.08$), and caption-linked figure recovery improves on both corpora. On the external Table-BRGM benchmark, table detection recovers F1 $0.16 \to 0.94$ and table structure follows (GriTS-Top $0.27 \to 0.78$, below the strongest GPU system). On body text, against four vision-based systems (Docling, MinerU, olmOCR, dots.ocr), it has the best paragraph precision on both corpora, the best section detection on Materials Science, and a character error rate within 0.004 of the best GPU parser. End-to-end on CPU, it costs $2.7$--$3.2\times$ less than the cheapest GPU system (Docling) and $10$--$14\times$ less than generative parsers.
• Abstract（参考訳）: 学術的なPDFを機械可読のフルテキストに変換することは、大規模な情報システムのボトルネックである。 最近の視覚ベースのパーサは精度を向上させるが、GPUが必要であり、抽出したテキストにノイズを導入する可能性がある。 CPU上で動作するモジュール式フォントストリームパーサであるGROBIDは、科学論文を構造化し、最大規模のオープン学術コーパスの基盤となるデファクト標準である。 トークンがGROBIDの特化モデルにルーティングされたり破棄されたりしたタイプ付きエリアマスクとして符号化された、軽量なCPU検出器ローカライズフィギュア、テーブル、およびパラテキスト(ヘッダ、フッタ、ページ番号)リージョンとペアリングする。 PMCの2つのコーパス、Bioinformatics (1,926条) とMaterial Science (2,595条) は、JATSに対してセクション対応構造プロトコルでスコア付けされ、ほとんどの測定値(NS $+0.025$/$+0.013$; $+0.086$ paragraph recall on Materials Science, $d_z{=}1.08$)でGROBIDよりも改善され、キャプションリンクされたフィギュアリカバリが両コーパスで改善される。 外部のTable-BRGMベンチマークでは、テーブル検出がF1$0.16 \to 0.94$を回復し、テーブル構造が続く(GriTS-Top $0.27 \to 0.78$、最強のGPUシステム以下)。 ボディテキストでは、4つのヴィジュアルベースのシステム(Docling, MinerU, olmOCR, dots.ocr)に対して、両方のコーパスで最高の段落精度、マテリアルサイエンスで最高のセクション検出、そして最高のGPUパーサの0.004の文字エラー率を持つ。 CPUのエンドツーエンドでは、最も安いGPUシステム(ドッキング)よりも2.7ドル～3.2ドル、生成パーサより10ドル～14ドル安い。

関連論文リスト

• Jina-OCR-v1: Efficient Document Parsing with Speculative Decoding and Dense Verifiable Rewards [44.67582833168009]
  Jina-OCR-v1は低予算のGPU上で動作するために開発されたエンドツーエンドのドキュメント解析モデルである。 圧縮されたビジョンエンコーダとDeepSeek-OCRの3Bミックス・オブ・エキスパート・デコーダを組み合わせる。 OmniDocBench v1.6で91.14、olmOCR-Benchで83.4、我々の比較では2.57ページ/秒で最高スループットに達した。
  論文  参考訳（メタデータ） (2026-09-02T21:49:21Z)
• Code as Representation: A Compilable Parsing Paradigm for Academic Documents [50.40789738182074]
  Compilable Academic Document Parsing (CADP)は、コンテキストラプラス実行可能なPythonとして全ページを再構築するパラダイムである。 テキストと複数のSAEタイプを含む全学術ページのエキスパート検証ベンチマークであるCADP-Benchを紹介する。 その結果、フロンティアモデルでさえも、高忠実度で実行可能な再構築を行うのに苦戦していることがわかった。
  論文  参考訳（メタデータ） (2026-08-18T09:10:43Z)
• RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM [1.2647816797166167]
  RAGUはオープンソースのモジュール型GraphRAGエンジンで、統合からの抽出を分離する。 言語スキルに最適化された7BモデルであるMeno-Lite-0.1は、知識グラフ構築においてQwen2.5-32Bを上回っている。 RAGUはすべてのファクトイドレベルで最も完全なコンテキストを検索する。
  論文  参考訳（メタデータ） (2026-07-13T15:20:51Z)
• DuoLens: A Framework for Robust Detection of Machine-Generated Multilingual Text and Code [5.38764489657443]
  多言語テキストとソースコードを生成するLarge Language Models (LLMs) は、マシン生成コンテンツ検出器がドメイン全体にわたって正確かつ効率的であることの必須条件を増大させるだけである。 現在の検出器は、Fast DetectGPTやGPTZeroのようなゼロショット法を主に利用しており、高い計算コストまたは十分な精度が欠如している。 本稿では,エンコーダのみのSmall Language Models (SLM) の微調整,特にRoBERTAとCodeBERTaの事前学習モデルについて,ソースコードやその他の自然言語に関する特別なデータセットを用いて提案する。
  論文  参考訳（メタデータ） (2025-10-21T00:17:00Z)
• Enhancing Domain-Specific Retrieval-Augmented Generation: Synthetic Data Generation and Evaluation using Reasoning Models [0.6827423171182154]
  Retrieval-Augmented Generation (RAG) システムは、技術的領域に適用した場合、大きなパフォーマンスギャップに直面します。 ドメイン固有のRAG性能を最適化するために、粒度評価指標と合成データ生成を組み合わせたフレームワークを提案する。 10トークン未満の小さなチャンクは、精度を31-42%向上させます。
  論文  参考訳（メタデータ） (2025-02-21T06:38:57Z)
• Evaluating $n$-Gram Novelty of Language Models Using Rusty-DAWG [63.31836335569654]
  本研究では,現代のLMがトレーニングデータから$n$-gramを生成できる範囲について検討する。 我々は,ゲノムデータのインデックス化にインスパイアされた新しい検索ツールであるRusty-DAWGを開発した。
  論文  参考訳（メタデータ） (2024-06-18T21:31:19Z)
• Automated Multi-Language to English Machine Translation Using Generative Pre-Trained Transformers [0.8192907805418583]
  本研究では、局所生成事前学習変換(GPT)モデルを用いて、自動ゼロショットブラックボックス、文賢、多言語翻訳を英語テキストに変換する。 我々は、50の異なる非英語言語を英語に翻訳するためのHuggingface LLMリポジトリから、カスタムの微調整なしで16の異なるオープンソースGPTモデルをベンチマークした。 ベンチマークメトリクスは言語翻訳の正確さ、BLEU、GLEU、METEOR、chrFテキストの重複測定、各文翻訳のウォールクロック時間などである。
  論文  参考訳（メタデータ） (2024-04-23T02:19:35Z)
• FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [51.898805184427545]
  削除されたバイナリの暗号関数を抽出するFoCと呼ばれる新しいフレームワークを提案する。 まず、自然言語における暗号関数のセマンティクスを要約するために、バイナリ大言語モデル(FoC-BinLLM)を構築した。 次に、FoC-BinLLM上にバイナリコード類似モデル(FoC-Sim)を構築し、変更に敏感な表現を作成し、データベース内の未知の暗号関数の類似実装を検索する。
  論文  参考訳（メタデータ） (2024-03-27T09:45:33Z)
• SegViTv2: Exploring Efficient and Continual Semantic Segmentation with Plain Vision Transformers [76.13755422671822]
  本稿では,エンコーダ・デコーダ・フレームワークを用いた意味的セグメンテーションのためのプレーンビジョン変換器(ViT)の能力について検討する。 Intention-to-Mask(atm)モジュールを導入し、平易なViTに有効な軽量デコーダを設計する。 我々のデコーダは、様々なViTバックボーンを使用して人気のあるデコーダUPerNetより優れ、計算コストの5%程度しか消費しない。
  論文  参考訳（メタデータ） (2023-06-09T22:29:56Z)

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。