論文の概要: Robust Hierarchical Structures for Agentic Document Analysis
- arxiv url: http://arxiv.org/abs/2609.33322v1
- Date: Sun, 27 Sep 2026 07:39:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 01:09:18.109647
- Title: Robust Hierarchical Structures for Agentic Document Analysis
- Title（参考訳）: エージェント文書解析のためのロバスト階層構造
- Abstract要約: 大規模言語モデル(LLM)により、PDFやWordドキュメントなど、テキストドキュメントをよりよく理解することができます。
LLMは通常、平文のような文書を扱い、しばしば階層的にセクションとサブセクションに分けられるという事実を無視している。
強靭でコンパクトな構造を推定するための2段階のワークフローであるSHEDを提案する。
- 参考スコア（独自算出の注目度）: 6.4216011378870865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) enable us to better understand text documents, including PDFs and Word documents. However, LLMs, as well as more modern LLM agents, i.e., those with tool-calling abilities, typically treat such documents as plain text, ignoring the fact that they are often organized hierarchically into sections and subsections. Extracting this structure, while difficult, can improve efficiency and effectiveness for agents (and humans)---since only sections relevant to a given task need to be processed. Unfortunately, prior work on structure extraction provides no formal guarantees on how well the inferred structure matches the true one. Instead, we target a robust and compact variant that is feasible to infer and useful in practice. Robustness ensures that the text under each subsection header is a superset of the text under the same header in the true structure. Compactness seeks to minimize this superset, reducing agentic cost (or human cognitive load). We propose SHED, a two-stage workflow for inferring a robust and compact structure. The first stage is pluggable with an infinite family of approaches, each guaranteeing robustness for a specific document class. We theoretically characterize the document space using these classes and their hierarchical relationships. Empirically, SHED improves F-1 scores (measuring the robustness--compactness trade-off) by 13%--68% over non-LLM baselines and 9%--15% over expensive LLM-based approaches. Finally, we show how SHED-inferred structures are valuable for agentic document analysis: agents using SHED outperform baselines, achieving 3%--23% higher accuracy while being up to 10x cheaper.
- Abstract（参考訳）: 大規模言語モデル(LLM)により、PDFやWordドキュメントなど、テキストドキュメントをよりよく理解することができます。
しかし、LSMは、より現代的なLSMエージェント、すなわちツールコール能力を持つエージェントと同様に、通常、平文のような文書を扱い、それらが階層的に区分と部分に分けられるという事実を無視している。
この構造を抽出することは難しいが、エージェント(と人間)の効率と効率を改善することができる。
残念なことに、構造抽出に関する先行研究は、推測された構造が真の構造とどの程度うまく一致しているかに関する正式な保証を提供していない。
代わりに、実際には推論可能で有用である頑健でコンパクトな変種をターゲットにしている。
ロバスト性は、各サブセクションヘッダの下のテキストが、真の構造における同じヘッダの下のテキストのスーパーセットであることを保証する。
コンパクトさはこのスーパーセットを最小化し、エージェントコスト(あるいは人間の認知負荷)を削減しようとしている。
強靭でコンパクトな構造を推定するための2段階のワークフローであるSHEDを提案する。
最初のステージは無限のアプローチでプラグイン可能であり、それぞれが特定のドキュメントクラスに対して堅牢性を保証する。
これらのクラスとそれらの階層的関係を利用して、理論的に文書空間を特徴づける。
実験的にSHEDは、非LLMベースラインよりも13%～68%、高価なLCMベースアプローチよりも9%～15%、F-1スコア(堅牢性-コンパクト性トレードオフの測定)を改善した。
最後に,SHED-inferred 構造がエージェント文書解析にどのように有用かを示す。SHED を用いたエージェントは,最大10倍の精度で精度3%～23%向上する。
関連論文リスト
- 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) - EidosDoc: Implicit Structure Encoding for Cost-Effective Semi-Structured Document QA [11.689256498133446]
半構造化文書は、科学報告、財務報告、技術マニュアルに広く使われている。
計算コストを最小化して最先端の精度を実現する新しいシステムであるEidosDocを提案する。
EidosDocを4つのベンチマークで評価し、EidosDocが4つのベンチマークで新しい最先端の精度を達成することを示す総合的な評価を行った。
論文 参考訳（メタデータ） (2026-08-17T07:17:38Z) - DocSeeker: Structured Visual Reasoning with Evidence Grounding for Long Document Understanding [63.257540233507626]
本稿では、構造化解析、局所化、推論のワークフローを実行するためにモデルを必要とするパラダイムを提案する。
ショートページトレーニングから超長文書への堅牢な一般化を示し、視覚的検索・拡張生成システムと自然に相乗効果を示す。
論文 参考訳（メタデータ） (2026-04-14T14:39:26Z) - HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy [54.91468501159335]
文書間関係抽出 (RE) は, 異なる文書に存在する頭部尾部エンティティ間の関係を識別することを目的としている。
本稿では,各レベルでの多視点検証により信頼性を向上させる推論戦略を提案する。
論文 参考訳（メタデータ） (2026-04-09T07:55:27Z) - Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training [23.87978106727431]
本稿では、堅牢なエンドツーエンド文書解析のためのデータ学習協調設計フレームワークを提案する。
本手法は,スキャン・デジタル・実世界の両方のシナリオにおいて,精度とロバスト性を向上する。
論文 参考訳（メタデータ） (2026-03-25T03:19:09Z) - DeepRead: Document Structure-Aware Reasoning to Enhance Agentic Search [23.447631421934847]
DeepReadは、ドキュメントネイティブな構造的事前を動作可能な推論機能に運用するために設計された、構造対応のドキュメント推論エージェントである。
DeepReadは、従来の検索手法に固有のコンテキストの断片化を効果的に軽減する、人間のような位置読み取りの推論パラダイムを提供する。
論文 参考訳（メタデータ） (2026-02-04T20:03:28Z) - UniRec-0.1B: Unified Text and Formula Recognition with 0.1B Parameters [55.34921520578968]
視覚言語モデル(VLM)は、テキストと公式の統一的な認識を実現している。
パラメータが0.1Bしか持たない統一認識モデルUniRec-0.1Bを提案する。
文字、単語、行、段落、文書など、複数のレベルでテキストや公式の認識を行うことができる。
論文 参考訳（メタデータ） (2025-12-24T10:35:21Z) - ScaleDoc: Scaling LLM-based Predicates over Large Document Collections [17.985997510845873]
現代のワークロードでは、意味的理解を必要とする非構造化ドキュメントがますます多く含まれている。
textscScaleDocは、述語実行をオフライン表現フェーズと最適化されたオンラインフィルタリングフェーズに分離することで、この問題に対処する新しいシステムである。
textscScaleDocは2$times$のエンドツーエンドのスピードアップを実現し、高価なLCM呼び出しを最大85%削減し、大規模なセマンティック分析を実用的かつ効率的にする。
論文 参考訳（メタデータ） (2025-09-16T03:18:06Z) - 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) - Document Attribution: Examining Citation Relationships using Large Language Models [62.46146670035751]
そこで本研究では,帰属を簡単なテキスト・エンタテインメント・タスクとみなすゼロショット・アプローチを提案する。
また,アトリビューションプロセスの強化におけるアテンションメカニズムの役割についても検討する。
論文 参考訳（メタデータ） (2025-05-09T04:40:11Z)
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。