論文の概要: Rethinking Table Pruning in TableQA: From Sequential Revisions to Gold Trajectory-Supervised Parallel Search

• arxiv url: http://arxiv.org/abs/2601.03851v1
• Date: Wed, 07 Jan 2026 12:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.496228
• Title: Rethinking Table Pruning in TableQA: From Sequential Revisions to Gold Trajectory-Supervised Parallel Search
• Title（参考訳）: テーブルQAにおけるテーブルプルーニングの再考: 逐次リビジョンからゴールドトラジェクトリ・スーパービジョン・パラレルサーチへ
• Authors: Yu Guo, Shenghao Ye, Shuangwu Chen, Zijian Wen, Tao Zhang, Qirui Bai, Dong Jin, Yunpeng Hou, Huasen He, Jian Yang, Xiaobin Tan,
• Abstract要約: Table Question Answering (TableQA)は、テーブルプルーニングから大きな恩恵を受けます。 既存のテーブルプルーニング法は、信頼性の低い批判信号によって駆動されるシーケンシャルなリビジョンに依存している。 本研究では,テーブルプルーニングを逐次リビジョンからゴールドトラジェクタによる並列探索に変換する新しいテーブルプルーニングフレームワークTabTrimを提案する。
• 参考スコア（独自算出の注目度）: 22.58777921256103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Table Question Answering (TableQA) benefits significantly from table pruning, which extracts compact sub-tables by eliminating redundant cells to streamline downstream reasoning. However, existing pruning methods typically rely on sequential revisions driven by unreliable critique signals, often failing to detect the loss of answer-critical data. To address this limitation, we propose TabTrim, a novel table pruning framework which transforms table pruning from sequential revisions to gold trajectory-supervised parallel search. TabTrim derives a gold pruning trajectory using the intermediate sub-tables in the execution process of gold SQL queries, and trains a pruner and a verifier to make the step-wise pruning result align with the gold pruning trajectory. During inference, TabTrim performs parallel search to explore multiple candidate pruning trajectories and identify the optimal sub-table. Extensive experiments demonstrate that TabTrim achieves state-of-the-art performance across diverse tabular reasoning tasks: TabTrim-8B reaches 73.5% average accuracy, outperforming the strongest baseline by 3.2%, including 79.4% on WikiTQ and 61.2% on TableBench.
• Abstract（参考訳）: Table Question Answering (TableQA) は、小さなサブテーブルを抽出し、冗長なセルを排除し、下流の推論を効率化する。 しかし、既存のプルーニング法は通常、信頼性の低い批判信号によって引き起こされる逐次的なリビジョンに依存し、多くの場合、応答クリティカルなデータの損失を検出することに失敗する。 この制限に対処するために,テーブルプルーニングを逐次リビジョンからゴールドトラジェクタによる並列探索に変換する新しいテーブルプルーニングフレームワークTabTrimを提案する。 TabTrimは、金のSQLクエリの実行過程で中間サブテーブルを使用して金のプルーニング軌跡を導出し、プルーナーと検証器を訓練し、ステップワイズプルーニング結果を金のプルーニング軌跡と整合させる。 推論中、TabTrimは並列探索を行い、複数の候補プルーニング軌跡を探索し、最適なサブテーブルを特定する。 TabTrim-8Bは平均精度73.5%に達し、WikiTQの79.4%、TableBenchの61.2%を含む最強のベースラインを3.2%上回っている。

関連論文リスト

• TabReX : Tabular Referenceless eXplainable Evaluation [15.411207072791806]
  TabReXは、大規模な言語モデルによって生成されたテーブルを評価するための、参照レスでプロパティ駆動のフレームワークである。 構造的および事実的忠実度を定量化する解釈可能なルーリック認識スコアを計算する。 堅牢性を評価するため、6つのドメインと12のプランナー駆動摂動型にまたがる大規模なベンチマークであるTabReX-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-12-17T19:20:20Z)
• SQuARE: Structured Query & Adaptive Retrieval Engine For Tabular Formats [0.0]
  SQuAREはシートレベルの複雑なルーティングを備えたハイブリッド検索フレームワークである。 ヘッダの深さとマージ密度に基づいて連続的なスコアを計算する。 SQuAREは、検索精度とエンドツーエンドの回答精度の両方において、シングルストラテジーベースラインとChatGPT-4oを一貫して上回る。
  論文  参考訳（メタデータ） (2025-12-03T22:11:45Z)
• TabDSR: Decompose, Sanitize, and Reason for Complex Numerical Reasoning in Tabular Data [10.798423317852288]
  TabDSRは,(1)複雑な質問を分解するクエリデコンパイラ,(2)ノイズの多いテーブルを浄化・フィルタリングするテーブルサニタイザ,(3)プログラム・オブ・シークレット(PoT)ベースの推論器からなるフレームワークである。 テーブル上の複雑な数値推論のために特別に設計された新しいデータセットであるCalTab151を導入する。 TAT-QA, TableBench, TabDSRの精度は8.79%, 6.08%, 19.87%向上した。
  論文  参考訳（メタデータ） (2025-11-04T03:13:02Z)
• REaR: Retrieve, Expand and Refine for Effective Multitable Retrieval [46.38349148493421]
  REAR(Retrieve, Expand and Refine)は、効率的な高忠実なマルチテーブル検索のための3段階のフレームワークである。 Rearはクエリ整列テーブルを検索し、構造的に結合可能なテーブルで拡張し、ノイズや弱い関係のある候補を抽出することでそれらを洗練する。 Rearはレトリバー非依存であり、複雑なテーブルQAデータセット上の高密度/スパースレトリバーを一貫して改善する。
  論文  参考訳（メタデータ） (2025-11-02T05:01:04Z)
• RAG over Tables: Hierarchical Memory Index, Multi-Stage Retrieval, and Benchmarking [63.253294691180635]
  現実世界のシナリオでは、純粋なテキスト以外では、かなりの量の知識がテーブルに格納される。 まず、階層型メモリインデックス、多段階検索、グラフ認識プロンプトからなるテーブルコーパス対応RAGフレームワークT-RAGを提案する。
  論文  参考訳（メタデータ） (2025-04-02T04:24:41Z)
• Tailoring Table Retrieval from a Field-aware Hybrid Matching Perspective [70.13748256886288]
  表検索はテキスト検索に比べて少ない。 異なるテーブルフィールドは、異なるマッチングの好みを持つ。 テーブル調整ハイブリドマッチングrEtriever(THYME)について紹介する。
  論文  参考訳（メタデータ） (2025-03-04T03:57:10Z)
• SEMv3: A Fast and Robust Approach to Table Separation Line Detection [48.75713662571455]
  テーブル構造認識(TSR)は、テーブル固有の構造を入力画像から解析することを目的としている。 スプリット・アンド・マージ(Split-and-merge)パラダイムは、テーブル分離線検出が不可欠であるテーブル構造を解析するための重要なアプローチである。 本稿では, SEMv3 (Split, Embed, Merge) を提案する。
  論文  参考訳（メタデータ） (2024-05-20T08:13:46Z)
• Is Table Retrieval a Solved Problem? Exploring Join-Aware Multi-Table Retrieval [52.592071689901196]
  本稿では,テーブル検索において,任意のクエリやデータベースに対して有用な結合関係を明らかにする手法を提案する。 提案手法は,F1スコアの最大9.3%,エンドツーエンドQAの最大5.4%の精度で,テーブル検索の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-04-15T15:55:01Z)
• TRUST: An Accurate and End-to-End Table structure Recognizer Using Splitting-based Transformers [56.56591337457137]
  本稿では,TRUSTと呼ばれるテーブル構造認識手法を提案する。 変換器は、大域的な計算、完全メモリ、並列計算のためにテーブル構造認識に適している。 我々はPubTabNetやSynthTableなど,いくつかの人気のあるベンチマークで実験を行い,新しい最先端の結果を得た。
  論文  参考訳（メタデータ） (2022-08-31T08:33:36Z)
• End-to-End Table Question Answering via Retrieval-Augmented Generation [19.89730342792824]
  本稿では、T-RAGというテーブルQAモデルを紹介し、非パラメトリックな高密度ベクトルインデックスをパラメトリックシーケンス・ツー・シーケンスモデルであるBARTと組み合わせて微調整し、応答トークンを生成する。 自然言語の問題があれば、T-RAGは統合パイプラインを使用してテーブルコーパスを自動で検索し、テーブルセルから正しい回答を直接見つけ出す。
  論文  参考訳（メタデータ） (2022-03-30T23:30:16Z)

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。