FS-DAG: 視覚的にリッチな文書理解のためのFew Shotドメイン適応グラフネットワーク

FS-DAG: Few Shot Domain Adapting Graph Networks for Visually Rich Document Understanding

May 22, 2025

著者: Amit Agarwal, Srikant Panda, Kulbhushan Pachauri

cs.AI

要旨

本研究では、Few Shot Domain Adapting Graph (FS-DAG)を提案する。これは、Few-Shot設定における視覚的にリッチな文書理解（VRDU）のためのスケーラブルで効率的なモデルアーキテクチャである。FS-DAGは、モジュール型フレームワーク内でドメイン固有および言語/視覚固有のバックボーンを活用し、最小限のデータで多様な文書タイプに適応する。このモデルは、OCRエラー、誤字、ドメインシフトといった実践的な課題に対してロバストであり、実際の展開において重要な要素である。FS-DAGは9000万パラメータ未満で高い性能を発揮し、計算リソースが限られた情報抽出（IE）タスクにおける複雑な実世界アプリケーションに適している。情報抽出タスクに関する広範な実験を通じて、FS-DAGの能力を実証し、最先端の手法と比較して収束速度と性能の大幅な向上を示す。さらに、本論文は、性能を損なうことなくより小型で効率的なモデルを開発するための継続的な進展を強調する。コード: https://github.com/oracle-samples/fs-dag

English

In this work, we propose Few Shot Domain Adapting Graph (FS-DAG), a scalable and efficient model architecture for visually rich document understanding (VRDU) in few-shot settings. FS-DAG leverages domain-specific and language/vision specific backbones within a modular framework to adapt to diverse document types with minimal data. The model is robust to practical challenges such as handling OCR errors, misspellings, and domain shifts, which are critical in real-world deployments. FS-DAG is highly performant with less than 90M parameters, making it well-suited for complex real-world applications for Information Extraction (IE) tasks where computational resources are limited. We demonstrate FS-DAG's capability through extensive experiments for information extraction task, showing significant improvements in convergence speed and performance compared to state-of-the-art methods. Additionally, this work highlights the ongoing progress in developing smaller, more efficient models that do not compromise on performance. Code : https://github.com/oracle-samples/fs-dag