論文の概要: Retrieve Only Relevant Tables Whether Few or Many: Adaptive Table Retrieval Method

• arxiv url: http://arxiv.org/abs/2605.18766v1
• Date: Sun, 12 Apr 2026 14:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.925327
• Title: Retrieve Only Relevant Tables Whether Few or Many: Adaptive Table Retrieval Method
• Title（参考訳）: 少数・多の関連テーブルのみを検索する:適応型テーブル検索法
• Authors: Taehee Kim, Seungbin Yang, Jihwan Kim, Jaegul Choo,
• Abstract要約: 既存のテーブル検索アプローチでは、クエリに最も近いkテーブルの事前決定セットを選択する。 必要なテーブルの数はクエリによって異なり、事前に知ることはできない。 本稿では,各クエリの要求に応じて検索されたテーブル数を調整する適応テーブル検索手法を提案する。
• 参考スコア（独自算出の注目度）: 49.38787814788666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieving relevant tables from extensive databases for a given natural language query is essential for accurately answering questions in tasks such as text-to-SQL. Existing table retrieval approaches select a pre-determined set of k tables with the highest similarity to the query. However, the number of required tables varies across queries and cannot be known in advance. Enforcing a fixed number of retrieved tables regardless of the query may either retrieve an undersized set, failing to obtain all necessary evidence, or retrieve an oversized pool, including irrelevant tables. To address this issue, we propose an adaptive table retrieval method that adjusts the number of tables retrieved according to the requirements of each query. Specifically, we utilize an adaptive thresholding mechanism to selectively retrieve tables and integrate a sliding-window reranking algorithm to efficiently process a large table corpus. Extensive experiments on Spider, BIRD, and Spider 2.0 demonstrate that our method effectively addresses the limitations of the top-k retrieval strategy, improving performance in retrieval and downstream tasks. Our code and data are available at https://github.com/sbY99/Adaptive-Table-Retrieval.
• Abstract（参考訳）: 与えられた自然言語クエリのために、広範囲のデータベースから関連するテーブルを取得することは、テキスト・トゥ・SQLのようなタスクの質問に正確に答えるのに不可欠である。 既存のテーブル検索アプローチでは、クエリに最も近いkテーブルの事前決定セットを選択する。 しかし、必要なテーブルの数はクエリによって異なり、事前に知ることはできない。 クエリによらず、検索されたテーブルの固定数を強制することは、必要となるすべての証拠を入手できなかったり、無関係なテーブルを含む大きすぎるプールを回収したりすることができる。 この問題に対処するために,各クエリの要求に応じて検索されたテーブル数を調整する適応テーブル検索手法を提案する。 具体的には、適応しきい値処理機構を用いてテーブルを選択的に検索し、スライドウインドウ復位アルゴリズムを統合して大きなテーブルコーパスを効率的に処理する。 Spider, BIRD, およびSpider 2.0の広範囲にわたる実験により, 本手法はトップk検索戦略の限界に効果的に対処し, 検索および下流タスクの性能向上を図っている。 私たちのコードとデータはhttps://github.com/sbY99/Adaptive-Table-Retrieval.comで公開されています。

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)
• Improving Table Retrieval with Question Generation from Partial Tables [2.2169618382995764]
  本稿では,LLMを用いてテーブルの小さな部分に基づいて合成質問を生成する簡易かつ効果的な方法であるQGpTを提案する。 生成された質問は、生成に使用される部分テーブルセグメントに結合され、ユーザクエリとのセマンティックアライメントが強化される。
  論文  参考訳（メタデータ） (2025-08-08T09:35:56Z)
• 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)
• Is Table Retrieval a Solved Problem? Exploring Join-Aware Multi-Table Retrieval [52.592071689901196]
  本稿では,テーブル検索において,任意のクエリやデータベースに対して有用な結合関係を明らかにする手法を提案する。 提案手法は,F1スコアの最大9.3%,エンドツーエンドQAの最大5.4%の精度で,テーブル検索の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-04-15T15:55:01Z)

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。