論文の概要: HANS: A Handwritten Answer Sheet Dataset for Noisy Hybrid Document Parsing

• arxiv url: http://arxiv.org/abs/2610.12363v1
• Date: Thu, 08 Oct 2026 17:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.222947
• Title: HANS: A Handwritten Answer Sheet Dataset for Noisy Hybrid Document Parsing
• Title（参考訳）: HANS: ノイズの多いハイブリッド文書解析のための手書きアンサーシートデータセット
• Abstract要約: 実世界の教育シナリオ用に明示的に構築された最初のデータセットであるHANSを紹介する。 HANSに基づいて、2段階雑音抑圧を実現するエンドツーエンドフレームワークNA-GOTを提案する。 その結果,HANSは既存の手法に重大な課題を呈し,NA-GOTは解答プロセス認識の精度と安定性の両方において大幅な改善を達成していることがわかった。
• 参考スコア（独自算出の注目度）: 13.809596088219578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent grading and automated scoring technologies constitute critical infrastructure for smart education. However, existing document parsing and handwriting recognition benchmarks are predominantly designed for well-structured printed documents or isolated mathematical expressions, lacking datasets that capture the complex characteristics inherent to student answer sheets, including multi-line derivation processes, heterogeneous mixtures of text and mathematical formulae, and noise artifacts such as strikethroughs. To address this gap, we introduce HANS, the first dataset explicitly constructed for real-world educational scenarios, encompassing mathematical expressions, natural language text, hand-drawn tables, and diverse noise patterns including corrections and deletions, accompanied by fine-grained annotations that establish a reliable foundation for robust recognition research. Building upon HANS, we propose NA-GOT, an end-to-end framework that achieves two-stage noise suppression through a lightweight noise suppression module operating at the feature level, complemented by a noiseaware attention mechanism incorporated into the decoding stage. Experimental results demonstrate that HANS poses substantial challenges to existing methods, while NA-GOT achieves significant improvements in both accuracy and stability for answer process recognition. The dataset will be made publicly available upon publication.
• Abstract（参考訳）: インテリジェントグレーティングと自動スコアリング技術は、スマート教育にとって重要な基盤となっている。 しかし、既存の文書解析と手書き認識ベンチマークは、よく構造化された印刷文書や孤立した数学的表現のために主に設計されており、複数行の導出プロセス、テキストと数式の不均一な混合、ストライクスルーなどのノイズアーティファクトを含む、学生の回答シートに固有の複雑な特徴をキャプチャするデータセットが欠如している。 このギャップに対処するために、HANSは、数学的表現、自然言語テキスト、手書き表、および修正や削除を含む多様なノイズパターンを含む、現実世界の教育シナリオのために明示的に構築された最初のデータセットである。 HANSをベースとしたNA-GOTは,特徴レベルで動作する軽量ノイズ抑圧モジュールを用いて,2段階のノイズ抑圧を実現するフレームワークである。 実験の結果,HANSは既存の手法に重大な課題を呈し,NA-GOTは解答プロセス認識の精度と安定性の両方において大幅な改善を達成していることがわかった。 データセットは公開時に公開される予定だ。

関連論文リスト

• Stylometry Analysis of Human and Machine Text for Academic Integrity [0.6558127228160233]
  この研究は、盗作、創作、教育コンテンツの著者の検証など、学術的完全性への挑戦に対処する。 著者の帰属とスタイル変化の検出を通じて,学生のコンテンツを認証するための自然言語処理(NLP)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-03T16:13:38Z)
• Advancing Offline Handwritten Text Recognition: A Systematic Review of Data Augmentation and Generation Techniques [4.5220419118352915]
  本稿では,オフライン手書きデータの拡張と生成技術について調査する。 本稿では,近年のディープラーニングの進歩とともに,従来の拡張手法について検討する。 多様なリアルな筆跡サンプルの作成に関わる課題について検討する。
  論文  参考訳（メタデータ） (2025-07-08T12:03:58Z)
• Learning Interpretable Representations Leads to Semantically Faithful EEG-to-Text Generation [52.51005875755718]
  我々は脳波からテキストへの復号に焦点をあて、後部崩壊のレンズを通して幻覚の問題に対処する。 脳波とテキスト間の情報容量のミスマッチを認め、デコードタスクをコア意味のセマンティックな要約として再設計する。 パブリックなZuCoデータセットの実験では、GLIMが一貫して、流動的なEEG基底文を生成することが示されている。
  論文  参考訳（メタデータ） (2025-05-21T05:29:55Z)
• Discourse Features Enhance Detection of Document-Level Machine-Generated Content [53.41994768824785]
  機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。 既存のMGC検出器は、しばしば表面レベルの情報のみに焦点を当て、暗黙的かつ構造的な特徴を見渡す。 これらの課題を克服するために、新しい方法論とデータセットを導入します。
  論文  参考訳（メタデータ） (2024-12-17T08:47:41Z)
• Localizing Factual Inconsistencies in Attributable Text Generation [74.11403803488643]
  本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。 QASemConsistencyは、人間の判断とよく相関する事実整合性スコアを得られることを示す。
  論文  参考訳（メタデータ） (2024-10-09T22:53:48Z)
• Image-based Freeform Handwriting Authentication with Energy-oriented Self-Supervised Learning [17.584355583447323]
  SherlockNetは、堅牢で高速なフリーフォーム手書き認証のための、エネルギー指向の2ブランチの自己教師付き学習フレームワークである。 EN-HAは,データ偽造をシミュレートし,実際のアプリケーションに深刻なダメージを与える新しいデータセットである。
  論文  参考訳（メタデータ） (2024-08-19T03:33:39Z)
• Learning Robust Named Entity Recognizers From Noisy Data With Retrieval Augmentation [67.89838237013078]
  名前付きエンティティ認識(NER)モデルは、しばしばノイズの多い入力に悩まされる。 ノイズの多いテキストとそのNERラベルのみを利用できる、より現実的な設定を提案する。 我々は、推論中にテキストを取得することなく、堅牢なNERを改善するマルチビュートレーニングフレームワークを採用している。
  論文  参考訳（メタデータ） (2024-07-26T07:30:41Z)
• Enhancing Retrieval-Augmented LMs with a Two-stage Consistency Learning Compressor [4.35807211471107]
  本研究では,検索強化言語モデルにおける検索情報圧縮のための2段階一貫性学習手法を提案する。 提案手法は複数のデータセットにまたがって実験的に検証され,質問応答タスクの精度と効率が顕著に向上したことを示す。
  論文  参考訳（メタデータ） (2024-06-04T12:43:23Z)
• Uncovering the Handwritten Text in the Margins: End-to-end Handwritten Text Detection and Recognition [0.840835093659811]
  本研究は,手書きペラリアの自動検出と認識のためのエンドツーエンドフレームワークを提案する。 データ拡張と転送学習を使用して、トレーニングデータの不足を克服する。 このフレームワークの有効性はスウェーデンのウプサラ大学図書館で発見された初期の書籍コレクションのデータから実証的に評価されている。
  論文  参考訳（メタデータ） (2023-03-10T14:00:53Z)

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。