論文の概要: Deep Tabular Research via Continual Experience-Driven Execution

• arxiv url: http://arxiv.org/abs/2603.09151v1
• Date: Tue, 10 Mar 2026 03:42:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.001987
• Title: Deep Tabular Research via Continual Experience-Driven Execution
• Title（参考訳）: 連続的経験駆動実行による深部タブラル研究
• Authors: Junnan Dong, Chuang Zhou, Zheng Yuan, Yifei Yu, Siyu An, Di Yin, Xing Sun, Feiyue Huang,
• Abstract要約: 大規模言語モデルは、しばしば非構造化テーブル上の複雑な長距離分析タスクに苦しむ。 我々は、この課題をDTR(Deep Tabular Research)として定式化し、相互依存テーブル領域に対する多段階推論を必要とする。
• 参考スコア（独自算出の注目度）: 31.148265304618363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models often struggle with complex long-horizon analytical tasks over unstructured tables, which typically feature hierarchical and bidirectional headers and non-canonical layouts. We formalize this challenge as Deep Tabular Research (DTR), requiring multi-step reasoning over interdependent table regions. To address DTR, we propose a novel agentic framework that treats tabular reasoning as a closed-loop decision-making process. We carefully design a coupled query and table comprehension for path decision making and operational execution. Specifically, (i) DTR first constructs a hierarchical meta graph to capture bidirectional semantics, mapping natural language queries into an operation-level search space; (ii) To navigate this space, we introduce an expectation-aware selection policy that prioritizes high-utility execution paths; (iii) Crucially, historical execution outcomes are synthesized into a siamese structured memory, i.e., parameterized updates and abstracted texts, enabling continual refinement. Extensive experiments on challenging unstructured tabular benchmarks verify the effectiveness and highlight the necessity of separating strategic planning from low-level execution for long-horizon tabular reasoning.
• Abstract（参考訳）: 大規模言語モデルは、階層的および双方向のヘッダーと非標準的レイアウトを特徴とする非構造化テーブル上の複雑なロングホライゾン分析タスクに苦慮することが多い。 我々は、この課題をDTR(Deep Tabular Research)として定式化し、相互依存テーブル領域に対する多段階推論を必要とする。 そこで本稿では, DTR をクローズドループ決定プロセスとして扱う新しいエージェント・フレームワークを提案する。 経路決定と運用実行のためのクエリとテーブルの複合理解を慎重に設計する。 具体的には (i)DTRは、まず、双方向のセマンティクスをキャプチャし、自然言語クエリを操作レベル検索空間にマッピングする階層的メタグラフを構築する。 (二)この空間をナビゲートするために、高ユーティリティ実行経路を優先する期待対応選択ポリシーを導入する。 第三に、歴史的実行結果がシアム構造記憶、すなわちパラメータ化された更新と抽象テキストに合成され、継続的な改善が可能となる。 構造化されていない表型ベンチマークに挑戦する大規模な実験は、その有効性を検証し、長期の表型推論のための低レベル実行から戦略的計画を切り離す必要性を強調している。

関連論文リスト

• Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion [37.18779486132463]
  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。
  論文  参考訳（メタデータ） (2026-02-06T14:18:26Z)
• DecoupleSearch: Decouple Planning and Search via Hierarchical Reward Modeling [56.45844907505722]
  二重値モデルを用いて計画と探索プロセスを分離するフレームワークであるDecoupleSearchを提案する。 提案手法は,各ノードが計画と探索のステップを表す推論木を構築する。 推論中、階層的ビームサーチは、計画と探索候補を二重値モデルで反復的に洗練する。
  論文  参考訳（メタデータ） (2025-09-07T13:45:09Z)
• Beyond Natural Language Plans: Structure-Aware Planning for Query-Focused Table Summarization [21.1381898110636]
  本稿では,従来のマルチエージェントシステムにおけるフォーマリズムにインスパイアされた新しい構造化プランTaSoFと,3段階の推論プロセスを形式化するフレームワークSPaGeを紹介する。 3つの公開ベンチマークの実験では、SPaGeはシングルテーブルとマルチテーブルの両方で、従来モデルよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-07-30T16:42:19Z)
• HiRA: A Hierarchical Reasoning Framework for Decoupled Planning and Execution in Deep Search [85.12447821237045]
  HiRAは、戦略的な計画と専門的な実行を分離する階層的なフレームワークである。 提案手法では,複雑な探索タスクを集中サブタスクに分解し,各サブタスクを外部ツールと推論機能を備えたドメイン固有エージェントに割り当てる。 4つの複雑なクロスモーダルなディープ・サーチ・ベンチマークの実験により、HiRAは最先端のRAGとエージェント・ベース・システムを大きく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-03T14:18:08Z)
• 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)
• Multimodal Tabular Reasoning with Privileged Structured Information [67.40011423365712]
  ブリッジインfOrmation (sc Turbo) を用いたタブウラー推論(TabUlar Reasoning)について紹介する。 sc TurboはDeepSeek-R1をベースにした構造対応の推論トレースジェネレータの恩恵を受ける。 sc Turboは、複数のデータセットで最先端のパフォーマンス(+7.2%対以前のSOTA)を達成する。
  論文  参考訳（メタデータ） (2025-06-04T15:46:30Z)
• HyperTree Planning: Enhancing LLM Reasoning via Hierarchical Thinking [109.09735490692202]
  提案するHyperTree Planning(HTP)は,高木構造プランニングアウトラインを構成する新しい推論パラダイムである。 実験ではHTPの有効性を実証し、Gemini-1.5-ProによるTravelPlannerベンチマークで最先端の精度を実現し、o1-previewよりも3.6倍の性能向上を実現した。
  論文  参考訳（メタデータ） (2025-05-05T02:38:58Z)
• Theme-Explanation Structure for Table Summarization using Large Language Models: A Case Study on Korean Tabular Data [1.0621665950143144]
  現在の表要約法は、人間に優しい出力の重要な側面を無視することが多い。 本稿では,Theme-Explanation Structure-based Table Summarization (Tabular-TX) パイプラインを紹介する。
  論文  参考訳（メタデータ） (2025-01-17T08:42:49Z)

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。