TableNet：LLMによる自律化で実現する大規模テーブル・データセット

要旨: テーブル構造認識（TSR）には、複雑なテーブルレイアウトを扱うための大規模言語モデル（LLM）の論理的推論能力が必要ですが、現在のデータセットは規模と品質の面で限界があり、この推論能力を効果的に活用できていません。そこで本研究では、複数のソースから収集・生成して作成した新しいテーブル構造認識データセットであるTableNetを提示します。私たちのアプローチの中核は、私たちが開発した最初のLLM駆動の自律的なテーブル生成・認識のマルチエージェントシステムです。生成部分では、可視・構造・意味の制御可能なパラメータを統合し、テーブル画像の合成に反映します。これにより、アノテーション付きで、ユーザーが定義した構成に適応可能な、意味的に一貫した多種多様なテーブルの作成が可能となり、大規模かつ詳細なデータセット構築を支援します。この能力により、テーブル画像の注釈タクソノミを包括的かつきめ細かく構築でき、テーブル関連領域の研究を前進させる可能性があります。従来のデータ収集手法とは対照的に、本アプローチは、理論上無限で、ドメインに依存せず、かつスタイルに柔軟なテーブル画像の生成を可能にし、効率と精度の両方を保証します。認識部分では、複数のソースから得られたテーブルを用いる、多様性に基づく能動学習のパラダイムを採用します。そして、最も情報量の多いデータを選択的にサンプリングしてモデルを微調整し、ベースラインと比較して学習サンプル数を大幅に削減しながらTableNetのテストセットで競争力のある性能を達成します。さらに、主要なテーブルデータセットで学習したモデルと比べて、ウェブからクロールした現実のテーブルに対しては、はるかに高い性能を示します。私たちの知る限り、行数や列数、結合セル、セル内容などが多様である点を備えた、テーブルの構造認識への能動学習を採用した最初の研究です。これは、多様性に基づく能動学習により適しています。