M3DocRAG: Fortschritte im multimodalen Verständnis mehrseitiger Dokumente

M3DocRAG: Ein neuer Ansatz für mehrseitiges, multimodalen Dokumentenverständnis

Die automatisierte Analyse und das Verständnis von Dokumenten sind zentrale Aufgaben in der modernen Informationsverarbeitung. Besonders herausfordernd gestaltet sich die Verarbeitung mehrseitiger Dokumente mit multimodalen Inhalten wie Texten, Bildern, Tabellen und Diagrammen. Klassische Verfahren stoßen hier an ihre Grenzen, da sie oft nur einzelne Seiten betrachten oder visuelle Informationen vernachlässigen. In diesem Kontext präsentiert sich M3DocRAG als vielversprechender Ansatz.

Herausforderungen des multimodalen Dokumentenverständnisses

Bisherige Methoden im Bereich Document Visual Question Answering (DocVQA) konzentrieren sich meist auf die Beantwortung von Fragen zu einseitigen Dokumenten mithilfe multimodaler Sprachmodelle (MLMs). Alternativ greifen sie auf textbasierte Retrieval-Augmented Generation (RAG) zurück, bei der Textextraktionswerkzeuge wie Optical Character Recognition (OCR) zum Einsatz kommen. Diese Verfahren haben jedoch Schwächen: MLMs können die Komplexität mehrseitiger Dokumente oft nicht bewältigen, und OCR-basierte RAG-Systeme ignorieren visuelle Informationen, die für das Verständnis des Dokuments entscheidend sein können.

M3DocRAG: Ein multimodaler RAG-Ansatz

M3DocRAG (Multi-modal Multi-page Multi-Document Retrieval-Augmented Generation) ist ein neuartiger Ansatz, der diese Herausforderungen adressiert. Das Framework kombiniert die Stärken multimodaler Retrieval-Modelle und MLMs, um Fragen zu mehrseitigen, multimodalen Dokumenten zu beantworten. M3DocRAG arbeitet in drei Schritten:

1. Dokumenteneinbettung: Jede Seite eines Dokuments wird als RGB-Bild dargestellt und mithilfe eines multimodalen Retrieval-Modells, wie z.B. ColPali, in einen Vektor eingebettet. Diese Einbettungen erfassen sowohl Text- als auch visuelle Informationen.

2. Seitenabruf: Basierend auf einer Anfrage werden die relevantesten Seiten aus dem Dokumentenkorpus abgerufen. Die Ähnlichkeit zwischen Anfrage und Seiten wird anhand der Einbettungen berechnet. Für große Dokumentenmengen werden effiziente Indexierungsverfahren wie Inverted File Index (IVF) verwendet.

3. Fragenbeantwortung: Ein MLM, wie z.B. Qwen2-VL, generiert die Antwort auf die gestellte Frage unter Berücksichtigung der abgerufenen Seiten. Durch die Verwendung eines MLMs können sowohl Text- als auch visuelle Informationen in die Antwort integriert werden.

M3DocVQA: Ein neuer Benchmark für Open-Domain DocVQA

Um die Leistungsfähigkeit von M3DocRAG zu evaluieren, wurde M3DocVQA (Multi-modal Multi-page Multi-Document Visual Question Answering) entwickelt, ein neuer Benchmark für Open-Domain DocVQA. Im Gegensatz zu bestehenden Datensätzen, die Fragen im Kontext eines einzelnen Dokuments stellen, umfasst M3DocVQA Fragen, die sich auf einen großen Korpus von Dokumenten beziehen. Dieser Datensatz enthält über 3.000 PDF-Dokumente mit mehr als 40.000 Seiten und stellt somit eine realistischere Herausforderung für DocVQA-Systeme dar.

Evaluierung und Ergebnisse

M3DocRAG wurde auf drei Benchmarks getestet: M3DocVQA, MMLongBench-Doc und MP-DocVQA. Die Ergebnisse zeigen, dass M3DocRAG in Kombination mit ColPali und Qwen2-VL eine überlegene Performance im Vergleich zu anderen State-of-the-Art-Verfahren erzielt. Insbesondere auf MP-DocVQA erreicht M3DocRAG neue Bestwerte.

Fazit

M3DocRAG bietet einen vielversprechenden Ansatz für das mehrseitige, multimodale Dokumentenverständnis. Durch die Kombination von multimodalem Retrieval und MLMs kann das Framework sowohl Text- als auch visuelle Informationen effektiv verarbeiten und Fragen zu komplexen Dokumenten beantworten. M3DocVQA, der neue Open-Domain Benchmark, ermöglicht eine realistischere Evaluierung von DocVQA-Systemen und trägt zur Weiterentwicklung des Forschungsfeldes bei. M3DocRAG hat das Potenzial, die Automatisierung von dokumentenbasierten Prozessen in verschiedenen Bereichen wie Finanzen, Gesundheitswesen und Recht zu revolutionieren.

Bibliographie: - https://arxiv.org/html/2411.04952v1 - https://twitter.com/_reachsumit/status/1854742151210713270 - https://paperreading.club/page?id=264929 - https://arxiv.org/abs/2406.09618 - https://www.vldb.org/pvldb/vol7/p649-wang.pdf - https://ojs.aaai.org/index.php/AAAI/article/view/29837/31456 - https://paperswithcode.com/task/document-understanding?page=8&q= - https://aclanthology.org/2024.findings-acl.262