UniVIE：面向表单类文档视觉信息抽取的统一标签空间方法

基于摘要分析。本文研究表单类文档的 Visual Information Extraction（VIE，视觉信息抽取），针对关键信息抽取、键值对抽取和选择组抽取通常被拆分处理、难以统一表达层级结构的问题，提出 UniVIE：将不同任务的标签映射到统一标签空间，把抽取过程重构为关系预测，以处理层级键值对和层级选择组。 核心机制采用由粗到细的策略：先由 tree proposal network 生成树提案，再由 relation decoder 将其细化为层级树。关系解码器引入 tree attention mask 和 tree level embedding 两种树结构约束，以增强关系预测能力。摘要支持的主要方法贡献是统一任务表达与显式层级建模；标签集合、树提案生成方式、约束实现、损失函数以及训练和推理细节尚未验证。 作者报告，在团队内部数据集 HierForms 和公开数据集 SIBR 上的实验达到 state-of-the-art 结果。摘要未提供具体指标、数值、数据划分或对照基线，因此无法据此判断提升幅度或不同设置下的可比性；实验协议、消融及统计信息尚未验证。复现前需核对统一标签空间定义、层级关系标注规范、数据可获得性及实现条件。 该研究的主要对象是表单文档，而非神经信号。所给材料没有提供其树结构与 EEG/BCI 任务之间的具体对应关系，因此不据此生成迁移效果判断或复现实验建议；已有 EEG 相关工作尚未检索确认。