DocHRL: Classificazione Adattiva dei Documenti tramite Apprendimento per Rinforzo Gerarchico
Un nuovo framework chiamato DocHRL utilizza l'apprendimento per rinforzo gerarchico per ottimizzare la classificazione dei documenti, selezionando dinamicamente politiche convenienti per ogni documento. Affronta l'inefficienza delle pipeline tradizionali che applicano sequenze di modelli uniformi indipendentemente dalla complessità del documento. DocHRL formula la classificazione come un problema decisionale sequenziale con una gerarchia a due livelli: una politica di alto livello sceglie tra opzioni ampie come classificatori visivi, LLM, OCR o revisione umana, mentre le sotto-politiche selezionano modelli specifici. Il segnale di ricompensa minimizza il costo totale atteso, inclusi i costi di inferenza, classificazione errata e etichettatura umana. Il framework è addestrato con PPO e mira a ridurre lo spreco di risorse nell'elaborazione documentale reale.
Fatti principali
- DocHRL è un framework di apprendimento per rinforzo gerarchico per la classificazione dei documenti.
- Seleziona adattivamente politiche convenienti per ogni documento.
- Gerarchia di politiche a due livelli: il livello superiore sceglie opzioni ampie, le sotto-politiche scelgono modelli concreti.
- Il segnale di ricompensa è il costo totale atteso negativo, inclusi i costi di inferenza, classificazione errata e etichettatura umana.
- Addestrato con PPO.
- Affronta l'inefficienza delle sequenze di modelli uniformi nelle pipeline tradizionali.
- Le opzioni includono classificatori visivi, LLM, OCR e revisione umana.
- Pubblicato su arXiv con ID 2607.22644.
Entità
Istituzioni
- arXiv