論文の概要: O-Funnel: Lossless Structural Capture and Requirement-Driven Extraction from Drifting, Heterogeneous Documents
- arxiv url: http://arxiv.org/abs/2609.39209v1
- Date: Wed, 30 Sep 2026 07:54:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.408254
- Title: O-Funnel: Lossless Structural Capture and Requirement-Driven Extraction from Drifting, Heterogeneous Documents
- Title（参考訳）: O-Funnel:不均質な文書から不要な構造的キャプチャと要求駆動抽出
- Abstract要約: O-FunnelはXML、CSV、HTML、またはキー値の文書を5つのコンストラクタ上の1つのタイプツリーに再構築する。
34,989 実記録で O-Funnel は手書き (F1 1.00) と一致する
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pulling a fixed set of fields out of documents that arrive in many formats and under drifting schemas is usually done with hand-written byte patterns, which break whenever a key is renamed, a value is reformatted, or a lookalike value appears first. We argue the cause is structural: one pattern must both describe the value and locate it among its surroundings. O-Funnel separates the two. It transcribes any XML, JSON, CSV, HTML or key-value text document into one typed tree over five constructors, gated by an oracle that rejects any capture that does not reconstruct its source. Each needed field is declared in the tree's own terms and located by fusing independent evidence (key, path, value shape, synonym, key spelling, record neighborhood, value profile), so the best-supported node wins and a missing field is reported with a reason. Data no requirement claims becomes residue that a funnel traces back to the requirements to learn new key aliases. On 34,989 real PubMed records, O-Funnel matches a hand-written parser (F1 1.00). After a five-element schema rename, the parser's regular expressions fall to 0.20 while O-Funnel stays at 1.00, with every capture verified complete. On constructed suites that isolate regex failure modes it raises F1 from 0.43 to 1.00, and from 0.80 to 0.94 after self-improvement; on held-out schema-matching instances it is competitive with classical matchers without training. O-Funnel is a dependency-free Python library (pip install ofunnel).
- Abstract（参考訳）: ドキュメントから固定されたフィールドを抽出し、多くのフォーマットで届き、ドリフトスキーマの下では、通常は手書きのバイトパターンで処理される。
1つのパターンは価値を記述し、それをその周囲に配置する必要があります。
O-Funnelは2つを分離する。
XML、JSON、CSV、HTML、またはキーバリューのテキスト文書を5つのコンストラクタ上の1つのタイプツリーに書き起こし、ソースを再構成しないキャプチャーを拒否する託宣によって宣言される。
各必要なフィールドはツリー自身の言葉で宣言され、独立したエビデンス(キー、パス、バリューシェイプ、シノニム、キースペル、レコード近傍、バリュープロファイル)を融合することで位置決めされる。
要求が要求されないデータは、新しいキーエイリアスを学ぶために、ファンネルが要求に遡る残余となる。
34,989の実際のPubMedレコードでは、O-Funnelは手書きのパーサ(F1 1.00)と一致する。
5要素のスキーマリネームの後、パーサの正規表現は0.20に落ち、O-Funnelは1.00に留まり、すべてのキャプチャが完了した。
Regex障害モードを分離する構成スイートでは、F1は0.43から1.00に、自己改善後の0.80から0.94に上昇する。
O-Funnelは依存性のないPythonライブラリ(pip install ofunnel)である。
関連論文リスト
- Full-Key Recovery and Forgery from One MQOM v2.1 Signature [0.0]
NIST追加署名プロセスにおけるラウンド3候補であるMQOM v2.1に対して、完全なキー回復攻撃を与える。
承認された署名から完全な署名キーを復元し、新しいメッセージにサインするためにそれを使用します。
論文 参考訳（メタデータ） (2026-08-10T15:04:50Z) - An Ontology-Guided, Deduplication-Aware Extraction Layer for Knowledge Graph Construction from Heterogeneous Documents [0.0]
本稿では,ライブドキュメントストリームを形式オントロジーに整合した検証済み知識グラフに変換する生産抽出層の設計,実装,実証的改良について述べる。
類似性を埋め込み、抽出プロンプトに注入することにより、キュレートしたオントロジーの関連スライスをグラフデータベースからライブで検索する。
抽出された結果は、決定論的クリーニング、チャンクのマージ、リレーションのための2番目のパス、モデル推論を必要としない6つの重複アルゴリズム、コンフリクトガードが類似性スコアをオーバーライドできない埋め込み分解サブシステムという5つのステージの洗練パイプラインを通過します。
論文 参考訳（メタデータ） (2026-07-22T09:45:26Z) - Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - Structured Layout Priors for Robust Out-of-Distribution Visual Document Understanding [5.523397739244399]
VLM(Vision-Language Models)は、ドキュメントをエンドツーエンドで解析するが、トレーニングで見られるものとは異なり、頻繁にレイアウトを分解する。
デコーダがコンテンツを抽出する前に、まずレイアウトエンティティを分類し、ローカライズする必要があります。
我々は、軽量RT-DETR検出器を実行し、ネイティブDocTags語彙で出力をシリアライズすることで、デコーダの外でHop 1をプリリゾルトする。
論文 参考訳（メタデータ） (2026-05-19T13:58:24Z) - Evidence Units: Ontology-Grounded Document Organization for Parser-Independent Retrieval [0.0]
要素レベルの索引付けは、独立したチャンクとして解析された全ての要素を扱い、セマンティックな結合単位を別々の検索候補に分散させる。
本稿では,エビデンス・ユニット(EU)を構成するパイプラインについて述べる。
論文 参考訳（メタデータ） (2026-04-01T05:32:16Z) - $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。
Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。
5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
論文 参考訳（メタデータ） (2026-01-29T17:52:54Z) - 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) - Cite Pretrain: Retrieval-Free Knowledge Attribution for Large Language Models [44.31597857713689]
最初の段階でActive Indexingを導入し、一般化可能なソースアンコールバインディングを作成します。
Qwen-2.5-7B&3Bの実験は、アクティブインデックスがパッシブインデックスのベースラインを一貫して上回っていることを示している。
内部の引用は、モデルを検索ノイズに対してより堅牢にすることで、外部の引用を補完する。
論文 参考訳（メタデータ） (2025-06-21T04:48:05Z) - Structured Dialogue Discourse Parsing [79.37200787463917]
談話解析は、多人数会話の内部構造を明らかにすることを目的としている。
本稿では,符号化と復号化という2つの観点から,従来の作業を改善する原理的手法を提案する。
実験の結果,本手法は,STACでは2.3,Mollweniでは1.5,先行モデルでは2.3を上回った。
論文 参考訳（メタデータ） (2023-06-26T22:51:01Z) - Low-Resource Task-Oriented Semantic Parsing via Intrinsic Modeling [65.51280121472146]
私たちは本質的にオントロジーラベルについて知っているものを利用して、効率的なセマンティック解析モデルを構築します。
我々のモデルはTOPv2から派生した低リソースのベンチマークを用いて高効率である。
論文 参考訳（メタデータ） (2021-04-15T04:01:02Z)
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。