DOSA: A Tree-Guided, Self-Regressive Framework for Long Document Structure Analysis
Das Papier schlägt DOSA vor, ein baumgesteuertes, selbstregressives Framework, das dokumenteneigene semantische Bäume inkrementell rekonstruiert, indem es mehrseitige Dokumente chunkweise verarbeitet, um weitreichende Abhängigkeiten und heterogene Layouts effektiv zu erfassen, wodurch eine State-of-the-Art-Leistung bei Benchmarks zur Dokumentenstrukturanalyse erzielt wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine massive, mehrbändige Enzyklopädie zu verstehen, die auf losen Blättern gedruckt und über einen riesigen Boden verstreut wurde. Einige Seiten enthalten Bilder, andere Listen und manche große, fettgedruckte Titel. Um aus diesem Chaos Sinn zu schöpfen, lesen Sie nicht einfach nur die Wörter; Sie müssen herausfinden, wie die Teile zusammenpassen. Gehört dieses Bild zu dem Absatz darüber? Ist diese Liste ein Kind des Titels oder ein völlig eigenständiger Abschnitt? Dies ist die Welt der „visuell reichen Dokumente“, in der Informationen nicht nur ein Textstrom sind, sondern ein komplexes Puzzle aus Formen, Positionen und Stilen. Damit Computer diese Dokumente wirklich „lesen“ können – seien es juristische Verträge, wissenschaftliche Arbeiten oder Präsentationsfolien –, müssen sie ein spezifisches Rätsel lösen, das man „Dokumentstruktur-Analyse“ nennt. Sie müssen einen „semantischen Baum“ aufbauen, der wie ein Stammbaum für die Teile des Dokuments funktioniert und zeigt, wer das Elternteil von wem ist und in welcher Reihenfolge alle gelesen werden sollten. Ohself dies fehlt, könnte ein Computer einen Titel und einen Absatz als zwei unzusammenhängende Fremde betrachten und die Tatsache übersehen, dass sie tatsächlich ein Elternteil und ein Kind sind.
Hier kommt DOSA (Document Structure Analyzer) ins Spiel, eine neue Methode, die von Forschern bei Glean Technologies vorgeschlagen wurde, um dieses Rätsel für lange, mehrseitige Dokumente zu lösen. Denken Sie daran, wie man versucht, eine 1.000-teilige LEGO-Burg auf einmal aufzubauen; es ist überwältigend, und wenn man am Anfang einen Fehler macht, könnte das ganze Konstrukt zusammenbrechen. Bisherige Methoden versuchten, das gesamte Dokument auf einmal zu erfassen, was so ist, als würde man versuchen, die gesamte Burg in den Händen zu halten, während man sie baut – es wird zu schwer und der Computer wird verwirrt. DOSA verfolgt einen anderen Ansatz: Es baut die Burg Stück für Stück auf. Es verarbeitet das Dokument in „Chunks“ (Stücken), so als würde man erst ein Zimmer der Burg zusammenbauen, bevor man zum nächsten übergeht. Aber hier liegt der clevere Kniff: Während es jedes neue Zimmer baut, schaut es nicht nur auf die Steine in seiner Hand, sondern betrachtet auch den „rechtenast“ der Burg, die es bereits gebaut hat. Dies dient als Wegweiser und sagt dem Computer genau, welche Teile der vorherigen Zimmer für die neuen relevant sind. Durch die Verwendung dieser „baumgesteuerten“ Karte vermeidet DOSA, in der schieren Größe des Dokuments die Orientierung zu verlieren.
Die Forscher fanden heraus, dass diese schrittweise, selbstgesteuerte Methode unglaublich gut funktioniert. Als sie DOSA auf fünf verschiedenen Datensätzen testeten, darunter einen sehr kniffligen namens DocHieNet mit komplexen, mehrseitigen Layouts, schnitt es besser ab als die derzeit besten Methoden. Bei diesem anspruchsvollen Benchmark verbesserte DOSA die Genauigkeit um bis zu 4 Punkte auf einer Skala namens F1 und um fast 20 Punkte auf einer Skala namens TEDS (die misst, wie ähnlich der Baum des Computers dem echten ist). Noch beeindruckender war, dass es leistungsstarke, universell einsetzbare KI-Modelle wie Gemini-2.5-Pro und GPT-5.2 schlug, was darauf hindeutet, dass für diese spezifische Aufgabe des Aufbaus von Dokumentenbäumen ein spezialisierter, strukturierter Ansatz besser ist, als einer riesigen KI einfach nur die Struktur „raten“ zu lassen. Das Paper legt nahe, dass DOSA durch die Verschmelzung visueller Hinweise (wie etwa, wo sich ein Kasten auf der Seite befindet), Textinhalten und der Größe der Objekte die Logik des Dokuments mit hoher Präzision rekonstruieren kann, ohne das gesamte Dokument auf einmal auswendig wissen zu müssen. Die Autoren stellen jedoch fest, dass diese Methode zwar robust, aber nicht perfekt ist; sie konzentriert sich derzeit auf Baumstrukturen und kann noch nicht komplexere, netzartige Verbindungen wie Zitate handhaben, und sie kann immer noch stolpern, wenn sie frühzeitig einen Fehler macht, den sie später nicht mehr korrigieren kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.