論文の概要: FollowTable: A Benchmark for Instruction-Following Table Retrieval

• arxiv url: http://arxiv.org/abs/2605.00400v1
• Date: Fri, 01 May 2026 04:42:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.847767
• Title: FollowTable: A Benchmark for Instruction-Following Table Retrieval
• Title（参考訳）: FollowTable: テーブル検索のインストラクションフォローベンチマーク
• Authors: Rihui Jin, Yuchen Lu, Ting Zhang, Jun Wang, Kuicai Dong, Zhaocheng Du, Dongping Liu, Gang Wang, Yong Liu, Guilin Qi,
• Abstract要約: Instruction-Following Table Retrieval (IFTR) を定式化した。 本稿では,IFTRの最初の大規模ベンチマークであるFollowTableを紹介する。
• 参考スコア（独自算出の注目度）: 30.435522584995336
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Table Retrieval (TR) has traditionally been formulated as an ad-hoc retrieval problem, where relevance is primarily determined by topical semantic similarity. With the growing adoption of LLM-based agentic systems, access to structured data is increasingly instruction-driven, where relevance is conditional on explicit content and schema constraints rather than topical similarity alone. We therefore formalize Instruction-Following Table Retrieval (IFTR), a new task that requires models to jointly satisfy topical relevance and fine-grained instruction constraints. We identify two core challenges in IFTR: (i) sensitivity to content scope, such as inclusion and exclusion constraints, and (ii) awareness of schema-grounded requirements, including column semantics and representation granularity--capabilities largely absent in existing retrievers. To support systematic evaluation, we introduce FollowTable, the first large-scale benchmark for IFTR, constructed via a taxonomy-driven annotation pipeline. We further propose a new metric, termed the Instruction Responsiveness Score, to evaluate whether retrieval rankings consistently adapt to user instructions relative to a topic-only baseline. Our results indicate that existing retrieval models struggle to follow fine-grained instructions over tabular data. In particular, they exhibit systematic biases toward surface-level semantic cues and remain limited in handling schema-grounded constraints, highlighting substantial room for future improvements.
• Abstract（参考訳）: 表検索 (Table Retrieval, TR) は伝統的にアドホック検索問題として定式化されてきた。 LLMベースのエージェントシステムの採用が進むにつれて、構造化されたデータへのアクセスはますます命令駆動になってきている。 そこで本研究では,トピックの関連性やきめ細かい命令制約をモデルに満たさなければならない新しいタスクであるIFTR(Instruction-Following Table Retrieval)を定式化する。 IFTRにおける2つの課題を特定します。 一 含意及び排他的制約等の内容範囲に対する感受性 (II)列のセマンティクスや表現の粒度を含むスキーマ基底要件の認識 - 既存の検索機能にはほとんど機能がない。 系統評価を支援するために,分類学駆動型アノテーションパイプラインを用いて構築されたIFTRの最初の大規模ベンチマークであるFollowTableを紹介する。 さらに,検索ランキングがトピックのみのベースラインに対して一貫してユーザ指示に適合するかどうかを評価するために,命令応答性スコアと呼ばれる新しい指標を提案する。 以上の結果から,既存の検索モデルでは,表データよりも細かな指示に従うのが困難であることが示唆された。 特に、表面レベルのセマンティックキューに対する体系的なバイアスを示し、スキーマ基底制約の扱いに制限を課し、将来の改善のための実質的な余地を強調している。

関連論文リスト

• TopBench: A Benchmark for Implicit Prediction and Reasoning over Tabular Question Answering [80.93487993878836]
  現実世界のクエリの一般的なクラスは暗黙的に予測され、単に検索するのではなく、歴史的パターンから観測されていない回答を推測する必要がある。 これらのクエリには、潜在意図を認識することと、大規模テーブル上での信頼性の高い予測推論という2つの課題がある。 単点予測から意思決定,処理効果分析,複雑な推論に至るまで,4つのサブタスクにわたる779のサンプルからなるベンチマークであるTopBenchを紹介する。
  論文  参考訳（メタデータ） (2026-04-30T16:22:51Z)
• ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering [55.55968342644846]
  テーブルのシリアライゼーションは、複雑なテーブル質問応答において、LLM(Large Language Models)にとって重要なボトルネックであり続けている。 既存のシリアライゼーションメソッドは明示的な階層をキャプチャできず、スキーマの柔軟性が欠如している。 本稿では,AdaSTRとDuTRの2つの主要モジュールを含むASTRA(Adaptive Semantic Tree Reasoning Architecture)を提案する。 複雑なテーブルベンチマーク実験により,本手法がSOTA(State-of-the-art)性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-10T06:09:41Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• Tree-Based Text Retrieval via Hierarchical Clustering in RAGFrameworks: Application on Taiwanese Regulations [0.0]
  階層的なクラスタリングに基づく検索手法を提案する。 本手法は,意味的関連コンテンツを適応的に選択しながら,システム応答の精度と関連性を維持する。 我々のフレームワークは実装が簡単で、既存のRAGパイプラインと簡単に統合できます。
  論文  参考訳（メタデータ） (2025-06-16T15:34:29Z)
• 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)
• Something's Fishy In The Data Lake: A Critical Re-evaluation of Table Union Search Benchmarks [0.9374652839580181]
  近年の表表現学習とデータ発見手法は,データレイク内の表結合探索(TUS)に取り組みつつある。 これらの手法は、実世界のTUSタスクにおける意味的理解を評価するためのベンチマークを用いて、一般的に評価される。 本稿では,セマンティックテーブル統合検索における進捗のより現実的で信頼性の高い評価を可能にするために,将来のベンチマークに不可欠な基準を提案する。
  論文  参考訳（メタデータ） (2025-05-27T15:23:52Z)
• 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)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)

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。