UniVIE：面向表单类文档视觉信息抽取的统一标签空间方法

UniVIE 针对表单类文档的 Visual Information Extraction（VIE），将关键信息抽取、键值对抽取和选项组抽取统一为单一标签空间中的关系预测，以处理层级键值对和层级选项组。基于摘要分析，未取得论文全文。 核心机制是粗到细的结构预测：Tree Proposal Network 首先生成候选树，Relation Decoder 再将其细化为层级树。作者在 Relation Decoder 中引入 Tree Attention Mask 与 Tree Level Embedding 两种树约束，以增强关系预测能力。相较于将各抽取子任务分开处理的方法，其主要贡献在于统一关系标签，并显式建模表单内部的层级结构；具体标签定义、候选树生成方式、约束实现及训练损失尚未验证。 作者报告，在自建数据集 HierForms 和公开数据集 SIBR 上取得最先进结果。摘要未提供具体指标、数值、数据划分或对照方法，因此尚不能核对提升幅度及不同实验的可比性。实验协议、消融及统计信息尚未验证；复现还需确认数据可获取性、层级关系标注规范及实现细节。 论文的主要研究对象是文档视觉信息抽取，而非 EEG 或 BCI。所给材料没有建立文档层级关系预测与神经信号建模之间的具体机制对应，因此不据此生成 EEG 迁移方案或复现实验建议。