DiagramBank：具有多级文档上下文的经过质量审核的科学示意图数据集

科学论文使用示意图来传达方法、工作流程和系统结构，但现有的科学人物语料库经常将它们与绘图、屏幕截图和照片混合在一起，很少保留文档上下文。我们推出了 DiagramBank，这是一个经过质量审核的数据集，包含由 OpenReview 托管的 AI/ML 场所整理的 57,100 个示意图。每条记录都将图表图像与其论文标题、摘要、图注、文本内图形参考范围、地点/年份元数据、出处字段和过滤标签链接起来。 DiagramBank 是一个可重复使用的资源，用于科学文档理解、图表检索、语料库分析和未来基准构建。我们描述了它的提取和级联过滤管道、发布模式、置信控制视图、数据集卡和索引实用程序。对发布的级联过滤记录进行手动盲审估计精度为 93.67%，单独的 CLIP 阈值分析描述了更简单的过滤视图的精度与覆盖率权衡。我们进一步提供轻量级元数据索引和创作示例来说明下游协议，而不将这些实用程序视为独立方法。该代码公开于：https://github.com/csml-rpi/DiagramBank。