論文の概要: Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion

• arxiv url: http://arxiv.org/abs/2602.06724v1
• Date: Fri, 06 Feb 2026 14:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.42212
• Title: Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion
• Title（参考訳）: テーブル・アズ・サーチ:テーブル・コンプリートを探る定式長軸エージェント情報
• Authors: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo,
• Abstract要約: textbfTable-as-Search(TaS)は、InfoSeekingタスクをテーブル補完タスクとして再構成する構造化計画フレームワークである。 TaSは、Deep Search、Wide Search、DeepWide Searchという3つの異なるInfoSeekingタスクを統合する。
• 参考スコア（独自算出の注目度）: 37.18779486132463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current Information Seeking (InfoSeeking) agents struggle to maintain focus and coherence during long-horizon exploration, as tracking search states, including planning procedure and massive search results, within one plain-text context is inherently fragile. To address this, we introduce \textbf{Table-as-Search (TaS)}, a structured planning framework that reformulates the InfoSeeking task as a Table Completion task. TaS maps each query into a structured table schema maintained in an external database, where rows represent search candidates and columns denote constraints or required information. This table precisely manages the search states: filled cells strictly record the history and search results, while empty cells serve as an explicit search plan. Crucially, TaS unifies three distinct InfoSeeking tasks: Deep Search, Wide Search, and the challenging DeepWide Search. Extensive experiments demonstrate that TaS significantly outperforms numerous state-of-the-art baselines across three kinds of benchmarks, including multi-agent framework and commercial systems. Furthermore, our analysis validates the TaS's superior robustness in long-horizon InfoSeeking, alongside its efficiency, scalability and flexibility. Code and datasets are publicly released at https://github.com/AIDC-AI/Marco-Search-Agent.
• Abstract（参考訳）: 現在のインフォメーションシーキング(InfoSeeking)エージェントは、長期にわたる探索において焦点とコヒーレンスを維持するのに苦労している。 これを解決するために, InfoSeekingタスクをテーブルコンプリートタスクとして再構成する構造化計画フレームワークである \textbf{Table-as-Search (TaS)} を導入する。 TaSは、各クエリを外部データベースに保持されている構造化テーブルスキーマにマッピングする。 空のセルは明示的な検索計画として機能する一方、空のセルは履歴と検索結果を厳密に記録する。 TaSは、Deep Search、Wide Search、そして挑戦的なDeepWide Searchという3つの異なるInfoSeekingタスクを統合している。 大規模な実験によると、TaSはマルチエージェントフレームワークや商用システムを含む3種類のベンチマークにおいて、最先端のベースラインを著しく上回っている。 さらに、我々の分析は、TaSの長距離InfoSeekingにおける優れたロバスト性を、その効率、スケーラビリティ、柔軟性とともに評価する。 コードとデータセットはhttps://github.com/AIDC-AI/Marco-Search-Agent.comで公開されている。

関連論文リスト

• Bridging Queries and Tables through Entities in Table Retrieval [70.13748256886288]
  エンティティは、テキスト検索の文脈でよく研究されているが、テーブル検索におけるその応用についての研究は、顕著に欠如している。 本稿では、実体表現に基づく相互作用パラダイムを設計し、エンティティ強化トレーニングフレームワークを提案する。 提案するフレームワークはプラグアンドプレイでフレキシブルで,既存のテーブルレトリバーのトレーニングプロセスに統合しやすくする。
  論文  参考訳（メタデータ） (2025-04-09T03:16:33Z)
• 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)
• Reasoning-Aware Query-Focused Summarization over Multi-Table Data [1.325953054381901]
  大規模言語モデル(LLM)を利用したエンドツーエンド生成フレームワークであるQueryTableSummarizer++を提案する。 本手法では,中間シリアライズステップの必要性を排除し,クエリ関連要約を直接生成する。 ベンチマークデータセットの実験では、QueryTableSummarizer++がBLEU、ROUGE、F1スコアで最先端のベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-12-12T06:04:31Z)
• TACT: Advancing Complex Aggregative Reasoning with Information Extraction Tools [51.576974932743596]
  大規模言語モデル(LLM)は、テキスト間の情報の集約を必要とするクエリではよく機能しないことが多い。 TACTには、1つ以上のテキストに散らばる縫合情報を要求する難しい命令が含まれている。 既存のテキストと関連するテーブルのデータセットを活用することで、このデータセットを構築します。 現代のLLMはいずれも,このデータセットでは性能が悪く,精度が38%以下であることが実証された。
  論文  参考訳（メタデータ） (2024-06-05T20:32:56Z)
• QFMTS: Generating Query-Focused Summaries over Multi-Table Inputs [63.98556480088152]
  表要約は、情報を簡潔で分かりやすいテキスト要約に凝縮するための重要な課題である。 本稿では,クエリ中心のマルチテーブル要約を導入することで,これらの制約に対処する新しい手法を提案する。 提案手法は,テーブルシリアライズモジュール,要約コントローラ,および大規模言語モデルからなり,ユーザの情報要求に合わせたクエリ依存のテーブル要約を生成する。
  論文  参考訳（メタデータ） (2024-05-08T15:05:55Z)

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。