©PaperWeekly 原创 · 作者 | 余海洋
单位 | 复旦大学博士生
研究方向 | 大语言模型
引言
在文档理解任务中，目前的主流方案普遍使用端到端的多模态大语言模型。但是，此类方法对图片的输入分辨率有很高的要求，因此需要较强的视觉基座。这也成为了多模态大语言模型（MLLM）在文档理解任务中的瓶颈。
文档理解作为 text-rich 的任务，实际发挥作用的信息大部分都来自于文字语义及其相对的布局信息。因此，利用成熟的 OCR 技术获得文字和布局（Layout）信息（即：文字坐标）并轻量级地扩展 LLM，使其能够根据语义以及 Layout 信息来做预测。该方案也是解决文档理解的一条可行道路[1]，即 Layouts as “Lightweight Visual Information”。
论文标题：
LayTextLLM: A Bounding Box is Worth One Token: Interleaving Layout and Text in a Large Language Model for Document Understanding
论文地址：
https://arxiv.org/pdf/2407.01976
相关工作
LayoutLM [2] 是较早期将位置信息融入语言模型的文档理解方法。该方法同时需要借助于 OCR 工具输出的文本及对应位置信息。但是，其作为 Encoder-only 的模型，只能完成 KIE 任务（使用序列标注），在其他任务的泛化能力一般，并且在 Free-form 形式的问答任务上表现较差。
近期，DocLLM [3] 首次提出在 LLM 的基础上加入布局信息的文档理解方案，将正则化后的数值型坐标作为布局信息，并引入解耦的空间注意力机制，促进文本与布局模态之间的交叉对齐。
该方案经过有监督微调（SFT）能够在 VQA 任务上取得与 OCR-free 的 MLLM 相当的性能。此外，得益于融入的布局信息，该方案在 KIE 任务上提升明显，有效解决了生成式模型在 KIE 任务上的短板。但是，该方案采用的 MLM（Masked Language Model）训练方式使得预训练阶段未能与 SFT 阶段的任务较好的对齐，因此其 SFT 后的模型性能也仅能与 MLLM 的 Zero-shot 性能相当。
此外，一些工作 [4,5] 尝试直接将坐标表达为文本 Token 的形式，即 Coordinate-as-Tokens。实验证明，这种表达形式对于 KIE 任务有明显的提升，但此类方法存在如下弊端：（1）需要语言模型对于数值 token 有较好的理解，该能力一般要求模型大小在 30B 以上。（2）使用 Coordinate-as-Tokens 会显著增加输入序列的长度，导致更昂贵的训练和推理的成本，同时也需要较大的语言模型以保证长距离建模能力。
方法（LayTextLLM）
针对上述问题，我们提出 LayTextLLM 方案（A Bounding Box is Worth 1 Token: Interleaving Layout and Text in a Large Language Model for Multimodal Document Understanding）
3.1 模型设计
1. 模型依然采用 Interleave 的方式输入文本和布局信息，该方法能最大程度的利用 LLM 自回归的特性。
2. 与此前工作均不同的是，我们使用 Embedding 的方式嵌入布局信息，而非文本token 的形式。该方法有效地规避了 Coordinate-as-Tokens 的长序列以及需借助大参数量模型的缺点。
▲图1 LayTextLLM 模型结构
具体的模型整体架构如上图。待处理的文档图像输入给 OCR 工具完成文本和对应坐标框（采用左上和右下的四维坐标）的识别。其中，文本信息借助于语言模型的 Tokenizer 处理为对应的文本 Token；对于坐标框，我们提出 SLP（Spatial Layout Projector），其简单地使用一个 Linear Projector 将 4 维的正则化坐标映射成高维（即 LLM embedding size）的坐标表示，而后和文字 token 作交错的拼接并送入语言模型。
本文所提出的方法既能高效地表示坐标并减少 Token 数目，同时利用了语言模型自回归特性。此外，在 LLM 部分的设计，我们参考了 InternLM-Xcomposer2，使用 P-LoRA 的路由方式，新增参数量较少。
3.2 训练方式
3.2.1 预训练（Layout-aware Next Token Prediction）
参考传统 LLM 的语言模型预训练，本文采用自回归方式预测整个输入的序列。不同于此前的预训练过程，提出的 Layout-aware Next Token Prediction 预训练方式当遇到需预测坐标占位符的 Token 时（下图中的 “b”），不计算相应 Token 的损失。在预训练阶段，LLM 参数被冻结，仅优化 Layout Projector 和新增的 P-LoRA 参数。得益于所提出的 Self-supervised 的预训练方式，预训练数据非常容易获得。
▲ 图2 LayTextLLM 预训练方式比较
3.2.2 微调（Shuffled-OCR Supervised Fine-tuning）
现有 LLM 使用的主流位置编码 Rotatory Embedding 往往倾向于使得在序列上越接近的 Token，越容易获得更大的 Attention Score。因此，在图 3 的例子中，如果提问 “What is the value of the field Change?”（蓝色框），模型很容易识别出正确结果 “1.30”，因为它在序列中紧挨 “Change” 一词。
然而，对于一个更具挑战性的问题，如 “What is the value of the field Total（RM）?”（红色框），由于 “Total（RM）” 后有多个紧跟输入的数字文本 Token，模型很难确定正确的答案。
▲ 图3 单据布局样例
为了使模型更多的依靠坐标框的布局信息而不是 Rotatory Embedding 提供的位置信息来预测, 在训练过程中，我们随机打乱了 20% 样本的 OCR 输入顺序。其他训练设置与传统 LLM 的 SFT 方式基本一致：给定 Prompt，自回归预测问题的答案序列，且该阶段全部参数参与训练。
实验结果
4.1 实现细节
实验主要基于英文，预训练数据使用 DocBank 全部数据以及 IIT-CDIP Test Collection 1.0 随机采样的部分数据，合计约 1.5M documents。Zero-shot 实验中，数据来自 LayoutLLM 中提供的 Document Dense Description（DDD）and Layout-aware SFT 数据，该数据均为 GPT4 生成的合成数据。SFT 实验中，除 DDD 和 Layout-aware SFT 数据，我们还引入了下游测试数据对应的训练数据。
下游测试数据包含 VQA 任务（DocVQA, InfoVQA, ChartQA, VisualMRC）和 KIE 任务（SROIE, CORD, FUNSD, POIE）。对于所有数据集，我们使用原数据集提供的 word-level 的 OCR 结果，以确保实验的公平性。
4.2 比较OCR-free方案
如图 4 所示（*代表对应数据集的训练数据被使用），对比 OCR-free 的 MLLM 方案，提出的方法在 VQA 和 KIE 的任务上均有大幅度提升。其中，VQA 任务上，提出的方法甚至可以超过 SOTA MLLM 使用 SFT 数据后的性能（+5.1%）；KIE 任务上，提出的 LayTextLLM 大幅超过 SOTA MLLM 模型的 Zero-shot 性能（+27%）。
此外，LayTextLLM 经过 SFT 训练后，其性能大幅度提升, 相比于 SOTA MLLM 的 SFT 效果提升近 24%。
▲ 图4 与 OCR-free 方法的性能比较
4.3 比较OCR-based方案
我们还比较了其他 OCR-based 的方案，例如：DocLLM。如图 5 所示，在 VQA 和 KIE 两个任务上，LayTextLLM 的 Zero-shot 效果均与 DocLLM SFT 后的模型效果相当。经过 SFT 后，LayTextLLM 在两类数据集上性能均大幅度超过 DocLLM。具体地，在 KIE 任务中，LayTextLLM 相较于 DocLLM 性能提升超过 15%
▲ 图5 与 OCR-based 方法的性能比较
4.3 输入长度比较
可以看到L ayTextLLM 的输入长度基本小于或者持平 DocLLM，远小于 coor-as-tokens 的方案。图 7 能看出，在输入长度最小的情况下，LayTextLLM 取得更高的精度。
▲ 图6 与 OCR-based 方法的输入长度比较。
▲ 图7 各种方法输入长度 against 精度。
解码回坐标
我们在内部的 KIE 数据集上测试了 LayTextLLM，要求模型以文本格式输出值文本及其对应的边界框，例如 “Oct 10 [66,1,70,15]”。我们发现，要求模型输出坐标提高了精确度，如图 8 所示。
我们任务要求输出坐标，强调了模型需要在输入中搜索对应信息，从而缓解了幻觉问题。此外，模型学会了组合和减去坐标。例如，如果输出文本来自两行 OCR 输入，模型会组合对应的 OCR 坐标。相反，如果输出是输入 OCR 文本的子串，模型将相应地输出调整后的坐标。
总结
本文提出 LayTextLLM 用于各类文档理解任务，例如 Document-oriented VQA 和 KIE。在这些任务中，空间布局与文本数据均起至关重要的作用。本文通过引入 Spatial Layout Projector，使模型对布局信息的感知更加精确。
此外，我们设计了两个定制的训练任务（Layout-aware Next Token Prediction 和 Shuffled-OCR Supervised Fine-tuning），旨在提高对文档布局的理解。大量的实验结果也表明 LayTextLLM 在文档理解任务中的有效性。
参考文献
[1] Wang, D., Raman, N., Sibue, M., Ma, Z., Babkin, P., Kaur, S., Pei, Y., Nourbakhsh, A. and Liu, X., 2023. DocLLM: A layout-aware generative language model for multimodal document understanding. arXiv preprint arXiv:2401.00908.
[2] Xu, Y., Li, M., Cui, L., Huang, S., Wei, F. and Zhou, M., 2020, August. Layoutlm: Pre-training of text and layout for document image understanding. In Proceedings of the 26th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 1192-1200).
[3] Wang, D., Raman, N., Sibue, M., Ma, Z., Babkin, P., Kaur, S., Pei, Y., Nourbakhsh, A. and Liu, X., 2023. DocLLM: A layout-aware generative language model for multimodal document understanding. arXiv preprint arXiv:2401.00908.
[4] Perot, V., Kang, K., Luisier, F., Su, G., Sun, X., Boppana, R.S., Wang, Z., Mu, J., Zhang, H. and Hua, N., 2023. LMDX: Language Model-based Document Information Extraction and Localization. arXiv preprint arXiv:2309.10952.
[5] He, J., Wang, L., Hu, Y., Liu, N., Liu, H., Xu, X. and Shen, H.T., 2023. ICL-D3IE: In-context learning with diverse demonstrations updating for document information extraction. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 19485-19494).
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：hr@paperweekly.site
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
·
·
·
205
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
