Comparativa de modelos para el reconocimiento de estructuras de datos tabulares : un enfoque desde el aprendizaje profundo

Garzón Vargas, José Miguel

Comparativa de modelos para el reconocimiento de estructuras de datos tabulares : un enfoque desde el aprendizaje profundo

dc.contributor.advisor	Martínez Vargas, Juan David
dc.contributor.advisor	Sepúlveda Cano, Lina María
dc.contributor.author	Garzón Vargas, José Miguel
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees	eng
dc.creator.degree	Magíster en Ciencias de Datos y Analítica	spa
dc.creator.email	jmgarzonv1@eafit.edu.co
dc.date.accessioned	2024-11-01T17:29:49Z
dc.date.available	2024-11-01T17:29:49Z
dc.date.issued	2024
dc.description	En el ámbito de la digitalización documental, las tablas representan una herramienta fundamental para la organización y transmisión efectiva de información en diversas industrias. Es particularmente relevante en documentos comerciales como facturas y órdenes de compra, donde los detalles asociados a las transacciones suelen estar dispuestos en estructuras que siguen una lógica similar a la de las tablas. Estas estructuras, si bien están diseñadas para la comprensión intuitiva por parte de los humanos, presentan un reto considerable para los sistemas de extracción de información automatizados. Aunque existen múltiples esfuerzos para abordar este problema, sus resultados no son fácilmente comparables por la falta de consistencia en los conjuntos de datos utilizados para el entrenamiento y muestra de resultados, y por los propios sesgos en la información que presentan los conjuntos de datos disponibles. En este contexto, este proyecto se enfoca en realizar una evaluación comparativa del desempeño de modelos de aprendizaje profundo especializados en el reconocimiento de la estructura de datos tabulares utilizando la metodología CRISP-DM. Se presenta entonces una comparativa de dos modelos relevantes en el estado del arte: Table Transformer y Unitable, describiendo sus características y evaluando la calidad de sus inferencias con el conjunto de datos SynthTabNet, reconocido por su diversidad y relevancia. Se estandariza la representación de la estructura de la tabla que infiere cada sistema al formato HTML utilizado en SynthTabNet, y se emplea la similitud basada en la distancia de edición de árboles como la métrica de comparación entre las inferencias de los modelos y los datos anotados. Se evidenció la superioridad de Unitable sobre Table Transformer en la representación de tablas complejas. El proyecto desarrollado para estandarizar la comparación de estos dos modelos y sus resultados puede ser consultado en el repositorio público de este proyecto https://github.com/JmGarzon/TSR_model_comparison.
dc.identifier.uri	https://hdl.handle.net/10784/34763
dc.language.iso	spa	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Escuela de Ciencias Aplicadas e Ingeniería. Área Computación y Analítica	spa
dc.publisher.place	Medellín
dc.publisher.program	Maestría en Ciencias de los Datos y Analítica	spa
dc.relation.uri	https://github.com/JmGarzon/TSR_model_comparison
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	eng
dc.rights.local	Acceso abierto	spa
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/deed.es
dc.subject	Reconocimiento de estructura de datos tabulares
dc.subject	Modelos de aprendizaje profundo
dc.subject	Similitud basada en la distancia de edición de árboles
dc.subject.lemb	CIENCIA DE LA INFORMACIÓN
dc.subject.lemb	ADMINISTRACIÓN INDUSTRIAL - PROCESAMIENTO DE DATOS
dc.subject.lemb	ESTRUCTURA DE DATOS (COMPUTADORES)
dc.subject.lemb	PROCESAMIENTO ELECTRÓNICO DE DATOS
dc.title	Comparativa de modelos para el reconocimiento de estructuras de datos tabulares : un enfoque desde el aprendizaje profundo
dc.type	masterThesis	eng
dc.type	info:eu-repo/semantics/masterThesis	eng
dc.type.hasVersion	acceptedVersion	eng
dc.type.local	Tesis de Maestría	spa
dc.type.spa	Informe