PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.26381v1cs.CL

GROBID를 위한 레이아웃 유도 마스킹: 대규모 학술 PDF 수집에서의 경량 구조적 성능 향상

Layout-Guided Masking for GROBID: Lightweight Structural Gains in Large-Scale Scientific PDF Ingestion

학술 PDF를 기계 판독 가능한 전문(fulltext)으로 변환하는 작업은 대규모 정보 시스템에서 여전히 병목 현상으로 남아 있습니다. 최근의 비전 기반 파서는 정확도를 향상시키지만, GPU가 필요하며 추출된 텍스트에 노이즈를 유입시킬 수 있습니다. CPU에서 실행되는 모듈형 폰트 스트림 파서인 GROBID는 과학 논문의 구조화에 있어 사실상의 표준(de-facto standard)이며, 가장 큰 오픈 학술 코퍼스 여러 개의 기반을 이루고 있습니다. 본 연구에서는 이를 그림, 표, 파라텍스트(헤더, 푸터, 페이지 번호) 영역을 위치 특정(localising)하는 경량 CPU 검출기와 결합합니다. 이 영역들은 유형화된 영역(typed-area) 마스크로 인코딩되어 해당 토큰이 GROBID의 특화된 모델로 라우팅되거나 폐기됩니다. 섹션 인식 구조 프로토콜을 사용하여 JATS를 기준으로 점수를 매긴 두 개의 PMC 코퍼스인 생물정보학(Bioinformatics, 1,926편의 논문) 및 재료과학(Materials Science, 2,595편)에서, 본 확장 모델은 대부분의 지표(NS $+0.025$/$+0.013$, 재료과학에서 문단 재현율(recall) $+0.086$, $d_z{=}1.08$)에서 기존 GROBID 대비 성능을 향상시키며, 두 코퍼스 모두에서 캡션과 연결된 그림 복원이 개선됩니다. 외부 Table-BRGM 벤치마크에서는 표 검출 F1 점수가 $0.16 \to 0.94$로 회복되고 표 구조 파악도 뒤따릅니다(GriTS-Top $0.27 \to 0.78$, 가장 강력한 GPU 시스템보다는 낮음). 본문 텍스트의 경우, 4개의 비전 기반 시스템(Docling, MinerU, olmOCR, dots.ocr)과 비교했을 때 두 코퍼스 모두에서 최고의 문단 정밀도(precision)를 달성하고, 재료과학에서 최고의 섹션 검출 성능을 보이며, 문자 오류율(character error rate)은 최고 성능의 GPU 파서 대비 0.004 이내입니다. CPU 기반의 엔드투엔드(end-to-end) 실행 시, 가장 저렴한 GPU 시스템(Docling)보다 $2.7$--$3.2\times$, 생성형 파서보다 $10$--$14\times$ 더 적은 비용이 듭니다.