論文の概要: Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain

• arxiv url: http://arxiv.org/abs/2604.26501v1
• Date: Wed, 29 Apr 2026 10:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.348807
• Title: Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain
• Title（参考訳）: Tree-of-Text: スポーツドメインにおけるテーブル・ツー・テキスト生成のための木ベースのプロンプトフレームワーク
• Authors: Shang-Hsuan Chiang, Tsan-Tsung Yang, An-Zi Yen, Wen-Chih Peng,
• Abstract要約: Tree-of-Textは3段階生成プロセスを通じて大きな言語モデルをガイドするツリー構造化プロンプトフレームワークである。 実験の結果,本手法はShuttleSet+の既存手法,RotoWire-FGのRGおよびCO指標,MLBのCSおよびCO指標を約40%の時間とコストで上回ることがわかった。
• 参考スコア（独自算出の注目度）: 15.833746980927195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating sports game reports from structured tables is a complex table-to-text task that demands both precise data interpretation and fluent narrative generation. Traditional model-based approaches require large, annotated datasets, while prompt-based methods using large language models (LLMs) often struggle with hallucination due to weak table comprehension. To overcome these challenges, we propose Tree-of-Text, a tree-structured prompting framework that guides LLMs through a three-stage generation process: (1) Content Planning, where relevant operations and arguments are selected from the input tables; (2) Operation Execution, which breaks down large tables into manageable sub-tables; and (3) Content Generation, where short textual outputs are merged and rewritten into a cohesive report. Experiments show that our method outperforms existing methods on ShuttleSet+, leads in RG and CO metrics on RotoWire-FG, and excels in CS and CO on MLB with roughly 40% of the time and cost of Chain-of-Table. These results demonstrate the effectiveness and efficiency of Tree-of-Text and suggest a promising direction for prompt-based table-to-text generation in the sports domain.
• Abstract（参考訳）: 構造化されたテーブルからスポーツゲームレポートを生成することは、正確なデータ解釈と流動的な物語生成の両方を必要とする複雑なテーブル・ツー・テキストタスクである。 従来のモデルベースのアプローチでは、大きな注釈付きデータセットを必要とするが、大きな言語モデル(LLM)を使ったプロンプトベースの手法は、弱いテーブルの理解のために幻覚に苦しむことが多い。 これらの課題を克服するために,1)入力テーブルから関連する操作や引数が選択されるコンテンツプランニング,2)大きなテーブルを管理可能なサブテーブルに分割するオペレーション実行,3)短いテキスト出力をマージして結合的なレポートに書き換えるコンテンツ生成という,3段階のプロセスを通じてLLMをガイドするツリー構造化プロンプトフレームワークであるTree-of-Textを提案する。 実験の結果,本手法はShuttleSet+の既存手法,RotoWire-FGのRGおよびCO指標,MLBのCSおよびCO指標を約40%の時間とコストで上回ることがわかった。 これらの結果から, スポーツ領域において, テキスト木の有効性と効率を実証し, プロンプトベースのテーブル・トゥ・テキスト生成に期待できる方向を示唆した。

関連論文リスト

• LLM driven Text-to-Table Generation through Sub-Tasks Guidance and Iterative Refinement [1.373677542041849]
  本稿では,新しいプロンプト技術を活用したLarge Language Models (LLM) によるテキスト・ツー・テーブル生成のための効率的なシステムを提案する。 このカスタムタスク分解により、モデルが段階的に問題に対処し、生成されたテーブルの品質を向上させることができることを示す。 提案手法は,パブリックドメインで利用可能な2つの複雑なテキスト・テーブル生成データセットのベースラインと比較して,強力な結果が得られる。
  論文  参考訳（メタデータ） (2025-08-12T05:37:12Z)
• Map&Make: Schema Guided Text to Table Generation [41.52038779169547]
  テキスト・ツー・テイブル・ジェネレーションは情報検索に欠かせない課題である。 テキストを命題のアトミックステートメントに"識別"する汎用的なアプローチであるMap&Makeを導入する。 このアプローチは、RotowireとLivesumという2つの挑戦的なデータセットに対してテストされています。
  論文  参考訳（メタデータ） (2025-05-29T07:12:46Z)
• Tree-of-Table: Unleashing the Power of LLMs for Enhanced Large-Scale Table Understanding [42.841205217768106]
  トレー・オブ・タブル(Tree-of-Table)は、LLMが大規模で複雑なテーブル上での推論能力を高めるために設計された新しいアプローチである。 Tree-of-Tableは優れた性能を持つ新しいベンチマークをセットし、大規模テーブル推論における顕著な効率性と一般化能力を示す。
  論文  参考訳（メタデータ） (2024-11-13T11:02:04Z)
• 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)
• Text-Tuple-Table: Towards Information Integration in Text-to-Table Generation via Global Tuple Extraction [36.915250638481986]
  リアルタイムのコメンタリーテキストに基づいたコンペの要約表を生成するためのベンチマークデータセットであるLiveSumを紹介する。 我々は,このタスクにおける最先端の大規模言語モデルの性能を,微調整とゼロショットの両方で評価する。 さらに、パフォーマンスを改善するために、$T3$(Text-Tuple-Table)と呼ばれる新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:31:28Z)
• PixT3: Pixel-based Table-To-Text Generation [66.96636025277536]
  本稿では,線形化と入力サイズ制限の課題を克服するマルチモーダルテーブル・トゥ・テキスト・モデルPixT3を提案する。 ToTToとLogic2Textベンチマークの実験では、PixT3はテキストのみで動作するジェネレータよりも競争力があり、優れていることが示されている。
  論文  参考訳（メタデータ） (2023-11-16T11:32:47Z)

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。