論文の概要: Reasoning by Commented Code for Table Question Answering

• arxiv url: http://arxiv.org/abs/2602.00543v1
• Date: Sat, 31 Jan 2026 06:16:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.248631
• Title: Reasoning by Commented Code for Table Question Answering
• Title（参考訳）: 質問応答のためのコメント付きコードによる推論
• Authors: Seho Pyo, Jiheon Seok, Jaejin Lee,
• Abstract要約: Table Question Answering (TableQA)は、大きな言語モデルにとって大きな課題となる。 既存手法は、エンドツーエンドの応答生成や一行のプログラムクエリに依存するが、数値的精度が限られており、解釈可能性も低下している。 この記事では、Pythonプログラム生成プロセスに明示的な推論を組み込んだ、コメント付き、ステップバイステップのコード生成フレームワークを紹介します。
• 参考スコア（独自算出の注目度）: 2.497926557563177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Table Question Answering (TableQA) poses a significant challenge for large language models (LLMs) because conventional linearization of tables often disrupts the two-dimensional relationships intrinsic to structured data. Existing methods, which depend on end-to-end answer generation or single-line program queries, typically exhibit limited numerical accuracy and reduced interpretability. This work introduces a commented, step-by-step code-generation framework that incorporates explicit reasoning into the Python program-generation process. The approach decomposes TableQA reasoning into multi-line executable programs with concise natural language comments, thereby promoting clearer reasoning and increasing the likelihood of generating correct code. On the WikiTableQuestions benchmark, the proposed method achieves 70.9\% accuracy using Qwen2.5-Coder-7B-Instruct, surpassing the Repanda baseline (67.6\%). Integrating the proposed framework with a robust end-to-end TableQA model via a lightweight answer-selection mechanism yields further improvements. This combined approach achieves up to 84.3\% accuracy on the WikiTableQuestions benchmark.
• Abstract（参考訳）: テーブル質問回答(TableQA)は、テーブルの従来の線形化が、構造化データに固有の2次元関係を乱すため、大きな言語モデル(LLM)にとって大きな課題となる。 既存の手法は、エンドツーエンドの応答生成や一行のプログラムクエリに依存するが、通常は数値の精度が限られており、解釈可能性も低下している。 この記事では、Pythonプログラム生成プロセスに明示的な推論を組み込んだ、コメント付き、ステップバイステップのコード生成フレームワークを紹介します。 このアプローチは,TableQA推論を簡潔な自然言語コメント付き複数行実行可能プログラムに分解し,より明確な推論を促進し,正しいコードを生成する可能性を高める。 WikiTableQuestionsベンチマークでは、Qwen2.5-Coder-7B-Instructを用いて70.9\%の精度を実現し、Repandaベースライン(67.6\%)を超えた。 提案したフレームワークを、軽量な応答選択機構によって堅牢なエンドツーエンドのTableQAモデルに統合することで、さらなる改善が期待できる。 この組み合わせのアプローチは、WikiTableQuestionsベンチマークで84.3\%の精度を達成する。

関連論文リスト

• CORE-T: COherent REtrieval of Tables for Text-to-SQL [91.76918495375384]
  CORE-Tはスケーラブルでトレーニング不要なフレームワークで、テーブルに目的のメタデータを付加し、軽量なテーブル互換キャッシュをプリコンプリートする。 バード、スパイダー、MMQAを越えて、CORE-Tはテーブル選択F1を最大22.7ポイント改善し、最大42%のテーブルを検索する。
  論文  参考訳（メタデータ） (2026-01-19T14:51:23Z)
• 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)
• When TableQA Meets Noise: A Dual Denoising Framework for Complex Questions and Large-scale Tables [20.33076921920799]
  EnoTabは、複雑な質問と大規模テーブルのための2つのデノベーションフレームワークである。 まず,質問を最小のセマンティック単位に分解することで,エビデンスに基づく質問記述を行う。 次に,明示的で透明なテーブルプルーニングパスを構成するEvidence Tree-Guided Table Denoisingを提案する。
  論文  参考訳（メタデータ） (2025-09-22T12:25:57Z)
• Interpretable LLM-based Table Question Answering [5.484058026469263]
  テーブル質問回答(Table QA)の解釈可能性は非常に重要です。 本稿では,モデルの意思決定過程を解釈可能なテーブルQA法を提案する。
  論文  参考訳（メタデータ） (2024-12-16T22:44:31Z)
• Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
  知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。 近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。 コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
  論文  参考訳（メタデータ） (2024-10-27T03:18:52Z)
• KET-QA: A Dataset for Knowledge Enhanced Table Question Answering [63.56707527868466]
  本研究では,TableQAの外部知識源として知識ベース(KB)を用いることを提案する。 すべての質問は、答えるテーブルとサブグラフの両方からの情報を統合する必要がある。 我々は,膨大な知識サブグラフから関連する情報を抽出するために,レトリバー・レゾナー構造パイプラインモデルを設計する。
  論文  参考訳（メタデータ） (2024-05-13T18:26:32Z)
• TabSQLify: Enhancing Reasoning Capabilities of LLMs Through Table Decomposition [6.253771639590562]
  テーブル推論は、自然言語の質問と構造化データの両方を理解する必要がある難しいタスクである。 テキスト・ツー・ジェネレーションを利用したテーブルを,より小さく,関連するサブテーブルに分解する新しい方法であるTabifyを提案する。 WikiTQベンチマークでは,64.7%の精度で精度が向上した。
  論文  参考訳（メタデータ） (2024-04-15T21:42:20Z)
• Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding [79.9461269253121]
  そこで我々は、中間思考のプロキシとして、図表データを推論チェーンで明示的に使用するChain-of-Tableフレームワークを提案する。 Chain-of-TableはWikiTQ、FeTaQA、TabFactベンチマークで最新のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-01-09T07:46:26Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)

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。