論文の概要: TableZoomer: A Collaborative Agent Framework for Large-scale Table Question Answering

• arxiv url: http://arxiv.org/abs/2509.01312v1
• Date: Mon, 01 Sep 2025 09:53:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.628655
• Title: TableZoomer: A Collaborative Agent Framework for Large-scale Table Question Answering
• Title（参考訳）: TableZoomer: 大規模質問応答のための協調エージェントフレームワーク
• Authors: Sishi Xiong, Ziyang He, Zhongjiang He, Yu Zhao, Changzai Pan, Jie Zhang, Zhenhe Wu, Shuangyong Song, Yongxiang Li,
• Abstract要約: TableZoomerは、テーブル質問応答(TQA)タスクのためのプログラミングベースのエージェントフレームワークである。 2)列選択とエンティティリンクを通じてサブテーブルスキーマを動的に生成するクエリ対応テーブルズーム機構,(3)クエリを実行可能なコードに変換するプログラム・オブ・ソート(PoT)戦略により,数値幻覚を緩和する。
• 参考スコア（独自算出の注目度）: 26.00027389659854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While large language models (LLMs) have shown promise in the table question answering (TQA) task through prompt engineering, they face challenges in industrial applications, including structural heterogeneity, difficulties in target data localization, and bottlenecks in complex reasoning. To address these limitations, this paper presents TableZoomer, a novel LLM-powered, programming-based agent framework. It introduces three key innovations: (1) replacing the original fully verbalized table with structured table schema to bridge the semantic gap and reduce computational complexity; (2) a query-aware table zooming mechanism that dynamically generates sub-table schema through column selection and entity linking, significantly improving target localization efficiency; and (3) a Program-of-Thoughts (PoT) strategy that transforms queries into executable code to mitigate numerical hallucination. Additionally, we integrate the reasoning workflow with the ReAct paradigm to enable iterative reasoning. Extensive experiments demonstrate that our framework maintains the usability advantages while substantially enhancing performance and scalability across tables of varying scales. When implemented with the Qwen3-8B-Instruct LLM, TableZoomer achieves accuracy improvements of 19.34% and 25% over conventional PoT methods on the large-scale DataBench dataset and the small-scale Fact Checking task of TableBench dataset, respectively.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、素早いエンジニアリングによるTQAタスクにおいて有望であるが、構造的不均一性、ターゲットデータローカライゼーションの困難、複雑な推論におけるボトルネックなど、産業アプリケーションにおける課題に直面している。 これらの制約に対処するため,本論文では,新しいLLMベースのプログラミングベースのエージェントフレームワークであるTableZoomerを提案する。 2)列選択とエンティティリンクによるサブテーブルスキーマを動的に生成し,ターゲットのローカライゼーション効率を著しく向上するクエリ対応テーブルズーム機構,3)クエリを実行可能なコードに変換するプログラム・オブ・ソート(PoT)戦略,である。 さらに、推論ワークフローをReActパラダイムに統合し、反復的推論を可能にします。 大規模な実験により、我々のフレームワークは、様々なスケールのテーブルにまたがるパフォーマンスとスケーラビリティを大幅に向上させながら、ユーザビリティの優位性を維持していることが示された。 Qwen3-8B-Instruct LLMで実装すると、TableZoomerは、TableBenchデータセットの大規模DataBenchデータセットと小規模Fact Checkingタスクにおいて、従来のPoTメソッドよりも19.34%と25%の精度向上を実現している。

関連論文リスト

• TReB: A Comprehensive Benchmark for Evaluating Table Reasoning Capabilities of Large Language Models [30.26407735827857]
  表構造データによる推論は、大規模言語モデル(LLM)に重大な課題をもたらす 本稿では,表理解能力と表推論能力の両方を測定する総合的な表推論進化ベンチマークTReBを提案する。 我々は3つの異なる推論モード(TCoT, PoT, ICoT)でテーブル推論能力を頑健に測定する評価フレームワークを構築した。
  論文  参考訳（メタデータ） (2025-06-23T09:02:04Z)
• LLM-Symbolic Integration for Robust Temporal Tabular Reasoning [69.27153114778748]
  本研究では,システムおよび制御された評価のための合成データセットであるTempTabQA-Cを紹介する。 この構造化アプローチにより、LLM(Large Language Models)はsqlクエリの生成と実行を可能にし、一般化とバイアス軽減の強化を行う。
  論文  参考訳（メタデータ） (2025-06-06T05:14:04Z)
• Plugging Schema Graph into Multi-Table QA: A Human-Guided Framework for Reducing LLM Reliance [8.304761523814564]
  本稿では,人為的な関係知識を活用して,スキーマリンクとジョインパスを明示的にエンコードするグラフベースのフレームワークを提案する。 自然言語クエリーが与えられた場合、我々はこのグラフを検索して解釈可能な推論チェーンを構築し、プルーニングとサブパスマージ戦略によって支援する。 標準ベンチマークと現実的な大規模データセットの両方の実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2025-06-04T20:21:52Z)
• TableRAG: Million-Token Table Understanding with Language Models [53.039560091592215]
  TableRAG(TableRAG)は、LMベースのテーブル理解用に特別に設計された検索拡張生成(RAG)フレームワークである。 TableRAGは、スキーマとセル検索を組み合わせたクエリ拡張を活用して、LMにそれを提供する前に重要な情報をピンポイントする。 以上の結果から,TableRAGは検索精度が向上し,大規模テーブル理解における最先端性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-07T04:15:02Z)
• TAP4LLM: Table Provider on Sampling, Augmenting, and Packing Semi-structured Data for Large Language Model Reasoning [55.33939289989238]
  テーブルベースタスクにおいて,大規模言語モデル(LLM)を効果的に活用するための汎用プリプロセッサスイートとして,TAP4LLMを提案する。 1)大きなテーブルをクエリセマンティクスに基づいて管理可能なサブテーブルに分解するテーブルサンプリング、(2)外部ソースやモデルから追加の知識でテーブルを拡張するテーブル拡張、(3)テーブルパッキングとシリアライゼーションによりテーブルをLLMの理解に適したさまざまなフォーマットに変換する。
  論文  参考訳（メタデータ） (2023-12-14T15:37:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。