Die Dokumentenlayoutanalyse (DLA) ist die Aufgabe, den unterschiedlichen, semantischen Inhalt innerhalb eines Dokuments zu erkennen und diese Elemente korrekt in eine geeignete Kategorie (z.B. Text, Titel, Abbildung) zu klassifizieren. DLA-Pipelines ermöglichen es Benutzern, Dokumente in strukturierte maschinenlesbare Formate umzuwandeln, die anschließend für viele nützliche nachgelagerte Aufgaben genutzt werden können. Die meisten bestehenden state-of-the-art (SOTA)-DLA-Modelle stellen Dokumente als Bilder dar und ignorieren dabei die reichhaltigen Metadaten, die in elektronisch generierten PDFs verfügbar sind. Indem wir diese Metadaten direkt nutzen, stellen wir jede PDF-Seite als einen strukturierten Graphen dar und formulieren das DLA-Problem als ein Problem der Graphensegmentierung und -klassifizierung. Wir stellen das graphbasierte Layout-Analyse-Modell (GLAM) vor, ein leichtgewichtiges grafikneuronales Netzwerk, das sich bei zwei anspruchsvollen DLA-Datensätzen mit SOTA-Modellen messen kann – während es um ein Vielfaches kleiner ist als bestehende Modelle. Insbesondere übertrifft das 4-Millionen-Parameter-Modell GLAM das führende computer-vision-basierte Modell mit über 140 Millionen Parametern in 5 von 11 Klassen im DocLayNet-Datensatz. Eine einfache Ensemble-Kombination dieser beiden Modelle erzielt einen neuen Stand der Technik auf DocLayNet und erhöht den mAP von 76,8 auf 80,8. Insgesamt ist GLAM mehr als fünfmal effizienter als SOTA-Modelle, was GLAM zur bevorzugten technischen Wahl für DLA-Aufgaben macht.