論文の概要: Semantic Triplet Restoration: A Novel Protocol for Hierarchical Table Understanding in Large Language Models

• arxiv url: http://arxiv.org/abs/2605.31550v1
• Date: Fri, 29 May 2026 17:10:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.76495
• Title: Semantic Triplet Restoration: A Novel Protocol for Hierarchical Table Understanding in Large Language Models
• Title（参考訳）: 意味的三重項復元:大規模言語モデルにおける階層テーブル理解のための新しいプロトコル
• Abstract要約: テーブル質問応答は、2次元レイアウト、マージセル、階層ヘッダによって暗黙的に符号化された意味関係を復元するモデルを必要とする。 本稿では,各セルをアトミックな事実として書き換えるプロトコルであるSemantic Triplet Restoration (STR)を提案する。 また、STRを使用して各質問に対して適切なレンダリングまたはフィルタされた三脚サブセットを選択する軽量なクエリ対応ルータであるTripletQLも紹介します。
• 参考スコア（独自算出の注目度）: 3.6767300520623674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Table question answering requires models to recover semantic relations encoded implicitly by two-dimensional layout, merged cells, and hierarchical headers. Current pipelines typically use HTML or Markdown as intermediate table representations, but these layout-oriented serializations introduce markup overhead and require large language models to infer header-cell alignments from row and column spans. We propose Semantic Triplet Restoration (STR), a protocol that rewrites each cell as an atomic fact <item path, feature path, value>, where the item path specifies the row-wise entity, the feature path specifies the hierarchical attribute, and the value contains the cell content. We also present TripletQL, a lightweight query-aware router that uses STR to select an appropriate rendering or filtered subset of triplets for each question. Across four Chinese and English table-QA benchmarks, STR matches or improves upon HTML-based baselines while reducing input tokens. The relative benefit grows for smaller language models and longer table contexts, suggesting that explicit semantic representations are especially useful under constrained inference budgets. Code and data are available at https://github.com/Phoenix-ni/STR.git .
• Abstract（参考訳）: テーブル質問応答は、2次元レイアウト、マージセル、階層ヘッダによって暗黙的に符号化された意味関係を復元するモデルを必要とする。 現在のパイプラインは通常、中間テーブル表現としてHTMLやMarkdownを使用するが、レイアウト指向のシリアライゼーションはマークアップオーバーヘッドを導入し、行と列のスパンからヘッダセルのアライメントを推論するために大きな言語モデルを必要とする。 本稿では,各セルを<item path, feature path, value>として書き換えるプロトコルであるSemantic Triplet Restoration(STR)を提案する。 また、STRを使用して各質問に対して適切なレンダリングまたはフィルタされた三脚サブセットを選択する軽量なクエリ対応ルータであるTripletQLも紹介します。 中国語と英語の4つのテーブルQAベンチマークで、STRは入力トークンを減らしながらHTMLベースのベースラインにマッチまたは改善する。 この相対的な利点は、より小さな言語モデルとより長いテーブルコンテキストに対して大きくなり、特に制約付き推論予算の下では、明示的な意味表現が有用であることが示唆される。 コードとデータはhttps://github.com/Phoenix-ni/STR.gitで公開されている。

関連論文リスト

• DeepTable: Structural Attention Biases and Tree Path Encoding for Hierarchical Table Understanding [10.761232681902394]
  大規模言語モデル(LLM)は、テーブル理解において強力な性能を示している。 LLMを用いたテーブル理解のための構造認識手法であるDeepTableを提案する。
  論文  参考訳（メタデータ） (2026-09-07T16:19:33Z)
• TabEmb: Joint Semantic-Structure Embedding for Table Annotation [3.03279900330493]
  テーブルアノテーションは、下流のNLPアプリケーションで使えるWebおよびエンタープライズテーブルを作るのに不可欠である。 既存のモデルは、2Dテーブルを1Dトークンシーケンスに線形化し、事前訓練された言語モデルでエンコードすることで学習する。 本研究では,構造モデリングからセマンティックエンコーディングを分離することで,これらの制約を直接ターゲットとするTabEmbを提案する。
  論文  参考訳（メタデータ） (2026-04-21T00:25:49Z)
• 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)
• 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)
• UNJOIN: Enhancing Multi-Table Text-to-SQL Generation via Schema Simplification [50.59009084277447]
  論理生成からスキーマ要素の検索を分離するフレームワークUNJOINを紹介する。 最初の段階では、各列をテーブル名でプレフィックスすることで、データベース内のすべてのテーブルの列名を単一のテーブル表現にマージします。 第2段階では、クエリは、この単純化されたスキーマに基づいて生成され、JOIN、UNION、リレーショナルロジックを再構築することで、元のスキーマにマップされる。
  論文  参考訳（メタデータ） (2025-05-23T17:28:43Z)
• The Death of Schema Linking? Text-to-SQL in the Age of Well-Reasoned Language Models [0.9149661171430259]
  次世代の大規模言語モデル(LLM)を使用する場合のスキーマリンクを再検討する。 より新しいモデルでは,無関係なモデルが多数存在する場合でも,生成時に関連するスキーマ要素を利用することが可能であることが実証的に判明した。 文脈情報をフィルタリングする代わりに、拡張、選択、修正などのテクニックを強調し、テキストからBIRDパイプラインの精度を向上させるためにそれらを採用する。
  論文  参考訳（メタデータ） (2024-08-14T17:59:04Z)
• Schema-Aware Multi-Task Learning for Complex Text-to-SQL [4.913409359995421]
  複雑なsqlクエリのためのスキーマ対応マルチタスク学習フレームワーク(MT)を提案する。 具体的には、有効な質問スキーマリンクを識別するために、識別器モジュールを設計する。 デコーダ側では、テーブルと列の接続を記述するために、6種類の関係を定義します。
  論文  参考訳（メタデータ） (2024-03-09T01:13:37Z)
• Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding [84.04706075621013]
  トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。 我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2022-09-28T21:00:30Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)
• Table Retrieval May Not Necessitate Table-specific Model Design [83.27735758203089]
  テーブル検索のタスクに焦点をあてて、"テーブル固有のモデル設計はテーブル検索に必要か? 自然質問データセット (NQ-table) の表に基づく分析の結果, 70%以上の症例では構造が無視できる役割を担っていることがわかった。 次に、テーブル構造、すなわち補助列/カラム埋め込み、ハードアテンションマスク、ソフトリレーションに基づくアテンションバイアスを明示的にエンコードする3つのモジュールを実験する。 いずれも大きな改善は得られず、テーブル固有のモデル設計がテーブル検索に不要である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-19T20:35:23Z)
• Retrieving Complex Tables with Multi-Granular Graph Representation Learning [20.72341939868327]
  自然言語テーブル検索の課題は,自然言語クエリに基づいて意味的に関連するテーブルを検索することである。 既存の学習システムは、テーブルがデータフレームとして構成されているという仮定に基づいて、テーブルをプレーンテキストとして扱う。 多粒グラフ表現学習を用いた一般化可能なNLTRフレームワークであるグラフベーステーブル検索(GTR)を提案する。
  論文  参考訳（メタデータ） (2021-05-04T20:19:03Z)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)

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。