論文の概要: PlotGround: Grounding Plot Digitization in Real Scientific Figures and Their Source Data

• arxiv url: http://arxiv.org/abs/2610.06825v1
• Date: Mon, 05 Oct 2026 17:57:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:22:25.516381
• Title: PlotGround: Grounding Plot Digitization in Real Scientific Figures and Their Source Data
• Title（参考訳）: PlotGround: 実科学図のグラウンド・プロット・ディジタイゼーションとその情報源データ
• Abstract要約: PlotGroundは、実際の科学的数字と著者がリリースしたソースデータからプロットのデジタル化ベンチマークを構築するための、自動パイプラインである。 PlotGroundは、フィギュアをソーステーブルにマップし、再構成可能なパネルを特定し、ソース基底参照値で定量的な質問を生成する。 PlotGroundを使ってPlotGround-1kを構築します。これは1,066 BioRxivのプレプリントから1,119の質問を人力検証したベンチマークです。
• 参考スコア（独自算出の注目度）: 59.0159091964132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific figures often encode quantitative results that are not readily available in machine-readable form, making accurate plot digitization important for verifying and reusing published findings. Yet it remains unclear how accurately current models recover plotted values from real scientific figures, as existing benchmarks rely largely on synthetic charts or cover only a limited range of chart types. We introduce PlotGround, an automated pipeline for building plot digitization benchmarks from real scientific figures and their author-released source data. PlotGround maps figures to source tables, identifies reconstructable panels, and generates quantitative questions with source-grounded reference values. We use PlotGround to construct PlotGround-1k, a human-verified benchmark of 1,119 questions from 1,066 bioRxiv preprints. Across sixteen multimodal models, the best reaches 87.5% accuracy at a $\pm 5\%$ relative-error tolerance. Tightening the tolerance to $\pm 2\%$ lowers every model's accuracy by 11-24 percentage points, revealing a gap between approximate visual reading and precise quantitative recovery. PlotGround's paired figure-source structure lets us compare how accurately the same values are recovered from figures and from source tables. Providing source tables instead of figures raises a coding agent's accuracy from 90.0% to 97.4% while cutting cost by 72%.
• Abstract（参考訳）: 科学的な数字はしばしば、機械可読形式では利用できない量的な結果を符号化し、正確なプロットのデジタル化が、公表された結果の検証と再利用に重要である。 しかし、既存のベンチマークは合成チャートに大きく依存するか、限られた種類のチャートのみをカバーしているため、現在のモデルが実際の科学的数値からプロットされた値をどの程度正確に回収しているかは、まだ不明である。 我々はPlotGroundを紹介した。PlotGroundはプロットのデジタル化ベンチマークを実際の科学的数値と著者がリリースしたソースデータから構築するための自動パイプラインである。 PlotGroundは、フィギュアをソーステーブルにマップし、再構成可能なパネルを特定し、ソース基底参照値で定量的な質問を生成する。 PlotGroundを使ってPlotGround-1kを構築します。これは1,066 BioRxivのプレプリントから1,119の質問を人力検証したベンチマークです。 16のマルチモーダルモデルで、最高は87.5%の精度で、相対エラー耐性は$\pm 5\%である。 許容度を$\pm 2\%$にすると、各モデルの精度は11～24ポイント低下し、近似的な視覚読影と正確な定量的回復のギャップが明らかになる。 PlotGroundのペア化されたフィギュアソース構造は、フィギュアとソーステーブルから、同じ値がどれだけ正確に回収されるかを比較することができます。 図の代わりにソーステーブルを提供すると、コーディングエージェントの精度は90.0%から97.4%に上がり、コストは72%削減される。

関連論文リスト

• Real Data Closes Synthetic-to-Real Gap in Optical Chemical Structure Recognition [7.493576538485066]
  OCSRは合成画像ではほとんど解決されていないが、実際の文書では難しい。 21の認識者は、合成された構造の混合物を微調整し、特許、雑誌、手描きのコレクションから実際の描写をラベル付けした。
  論文  参考訳（メタデータ） (2026-08-10T04:01:53Z)
• What You See Is What You Get: Observation-Aligned Supervision for Chart-to-Code Generation [50.62320148925983]
  多くのチャートプログラムは、レンダリングされた画像から一意に回収できない潜在生変数を含む。 本稿では,潜伏する生データターゲットを視覚的観察に制約された量で置き換えるリライトフレームワークであるオブザーバ・アラインド・インフォメーションを導入する。 この結果から,チャート・トゥ・コードモデルの改善には,データや高度な学習目的やアルゴリズムだけでなく,チャート画像から識別可能なものを尊重する監視対象も必要であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-06T06:53:40Z)
• Automated High-Precision Extraction and Forensic Verification of Data-Bearing Vector Figures [45.39546965981896]
  科学と工学の量的記録は、テキストや表ではなく数字によってもたらされる。 図をグラフィックとして保存すると、そのデータは画像によって近似されず、エンコードされる。 これを3つのコントリビューションに変換します。
  論文  参考訳（メタデータ） (2026-06-30T08:43:32Z)
• Benchmark It Yourself (BIY): Preparing a Dataset and Benchmarking AI Models for Scatterplot-Related Tasks [5.936946810744264]
  6つのデータジェネレータと17のチャート設計から18,000以上の散乱体を合成した注釈付きデータセットを導入する。 我々は5つの異なるタスクでNショットプロンプトを使用してOpenAIとGoogleのプロプライエタリモデルを評価する。
  論文  参考訳（メタデータ） (2025-10-07T15:59:19Z)
• BigCharts-R1: Enhanced Chart Reasoning with Visual Reinforcement Finetuning [51.472854950300416]
  視覚的に多様なチャート画像を生成するデータセット生成パイプラインであるBigChartsを提案する。 純粋な合成データセットとは異なり、BigChartsは現実世界のデータを取り込んで、信頼性と視覚的多様性を保証する。 チャート推論に特化して設計された新たな報酬信号を導入することにより,モデルの堅牢性と一般化が促進される。
  論文  参考訳（メタデータ） (2025-08-13T13:39:17Z)
• Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
  本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。 拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
  論文  参考訳（メタデータ） (2024-03-07T18:00:40Z)
• An extensible point-based method for data chart value detection [7.9137747195666455]
  本稿では,リバースエンジニアリングデータチャートに意味点を識別する手法を提案する。 提案手法では,グラフ上の関心点の位置を直接予測するために,ポイント提案ネットワークを用いる。 我々は科学文献において,0.8705 F1の精度で有意な点を検出できる複雑なバーチャートに注目した。
  論文  参考訳（メタデータ） (2023-08-22T21:03:58Z)
• VizExtract: Automatic Relation Extraction from Data Visualizations [7.2241069295727955]
  本稿では,統計チャートから比較変数を自動的に抽出する枠組みを提案する。 コンピュータビジョンベースのフレームワークを活用して,線グラフや散布プロット,バーグラフなどの視覚化ファセットを自動的に識別し,ローカライズする。 制御された実験では、87.5%の精度で、グラフごとに1-3級数を持つグラフの変数間の相関、色の変化、およびラインスタイルを分類することができる。
  論文  参考訳（メタデータ） (2021-12-07T04:27:08Z)
• Identifying Statistical Bias in Dataset Replication [102.92137353938388]
  モデルが(11-14%) の精度低下を示すImageNetデータセットの再現について検討した。 同定された統計バイアスを補正した後、推定3.6%のpm 1.5%の当初の11.7%のpm 1.0%の精度低下しか記録されていない。
  論文  参考訳（メタデータ） (2020-05-19T17:48:32Z)

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。