論文の概要: TABVERSE: Benchmarking Cross-Format Table Understanding in LLMs and VLMs

• arxiv url: http://arxiv.org/abs/2606.09578v1
• Date: Mon, 08 Jun 2026 14:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.27878
• Title: TABVERSE: Benchmarking Cross-Format Table Understanding in LLMs and VLMs
• Title（参考訳）: TABVERSE: LLMとVLMにおけるクロスフォームテーブル理解のベンチマーク
• Authors: Momina Ahsan, Sarfraz Ahmad, Ming Shan Hee, Roy Ka-Wei Lee, Preslav Nakov,
• Abstract要約: 大規模言語モデル(LLM)と視覚言語モデル(VLM)は、テーブル推論タスクでますます評価されている。 制御されたマルチモーダルテーブルベンチマークであるTABVERSEを導入する。 その結果,表の表現選択が表の理解に大きく影響していることが示唆された。
• 参考スコア（独自算出の注目度）: 50.96120467118319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) and Vision-Language Models (VLMs) are increasingly evaluated on table reasoning tasks, but the role of table representation remains under-explored. In practice, the same table content may appear in different structural formats, such as HTML, Markdown, and LaTeX, or as rendered images. However, existing evaluations often let content, format, layout, and modality vary together, making it difficult to isolate representation effects. We introduce TABVERSE, a controlled multimodal table benchmark that aligns the same table content across multiple structural formats and rendered images, with question category and difficulty tags. This design enables systematic evaluation of representation effects while holding table content fixed. We evaluate LLMs and VLMs across three tasks: Question Answering (QA), Structural Understanding Capability (SUC), and Structure Reconstruction (SR). Our results show that representation choice substantially affects table understanding. Models generally perform better with structured text than with rendered images, but the size of this gap depends on the task, model, and format. HTML is often the most robust text format, while row-sensitive structural tasks and syntactically usable LaTeX reconstruction remain challenging. These findings show that table representation is a key factor in reliable table evaluation.
• Abstract（参考訳）: 大規模言語モデル (LLM) と視覚言語モデル (VLM) は、テーブル推論タスクにおいてますます評価されているが、表表現の役割は未解明のままである。 実際には、同じテーブル内容がHTML、Markdown、LaTeXなどの異なる構造形式、あるいはレンダリングされたイメージとして現れることがある。 しかし、既存の評価では、コンテンツ、フォーマット、レイアウト、モダリティが相違することが多く、表現効果の分離が困難である。 マルチモーダルテーブルベンチマークであるTABVERSEを導入し、複数の構造形式と描画画像に同じテーブル内容に質問カテゴリと難易度タグを付与する。 この設計により、テーブル内容の固定をしながら、表現効果を体系的に評価できる。 質問応答(QA)、構造理解能力(SUC)、構造再構成(SR)の3つのタスクでLLMとVLMを評価した。 その結果,表の表現選択が表の理解に大きく影響していることが示唆された。 モデルは通常、レンダリングされた画像よりも構造化されたテキストの方がパフォーマンスがよいが、このギャップの大きさはタスク、モデル、フォーマットに依存する。 HTMLは多くの場合、最も堅牢なテキストフォーマットであるが、行に敏感な構造タスクや構文的に使用可能なLaTeX再構築は依然として難しい。 これらの結果から,テーブル表現がテーブル評価の重要な要因であることが示唆された。

関連論文リスト

• TDATR: Improving End-to-End Table Recognition via Table Detail-Aware Learning and Cell-Level Visual Alignment [70.83664203825235]
  TDATR(Table Detail-Aware Table Recognition)は、テーブルの詳細学習とセルレベルの視覚アライメントにより、エンドツーエンドのTRを改善する。 データセット固有の微調整なしで、7つのベンチマークで最先端または高い競争性能を達成する。
  論文  参考訳（メタデータ） (2026-03-24T05:45:02Z)
• Same Content, Different Representations: A Controlled Study for Table QA [15.896655757672441]
  リアルタイム設定におけるテーブル質問回答(Table QA)は、構造化されたデータベースとテキストフィールドを含む半構造化されたテーブルの両方で操作する必要がある。 既存のベンチマークは固定データ形式に結びついており、表現自体がモデルパフォーマンスに与える影響を体系的に検討していない。 コンテント定数を一定に保ちながら構造を変化させることによりテーブル表現の役割を分離する最初の制御された研究について述べる。
  論文  参考訳（メタデータ） (2025-09-26T22:33:19Z)
• Table Understanding and (Multimodal) LLMs: A Cross-Domain Case Study on Scientific vs. Non-Scientific Data [12.56716294438794]
  表理解タスクにおけるテキストベースLLMとマルチモーダルLLMの両方の有効性について検討する。 我々は, 科学的文脈と非科学的文脈の表上でのパフォーマンスを比較し, 画像として表される表上での頑健さを, テキストで比較した。
  論文  参考訳（メタデータ） (2025-06-30T18:04:36Z)
• Enhancing Large Vision-Language Models with Layout Modality for Table Question Answering on Japanese Annual Securities Reports [4.2134954427867]
  In-table テキストコンテンツとレイアウト機能を組み込んだ LVLM を用いたテーブル理解手法を提案する。 実験により,これらの補助モーダルは性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-05-23T08:36:22Z)
• Texts or Images? A Fine-grained Analysis on the Effectiveness of Input Representations and Models for Table Question Answering [16.790216473975146]
  2つの視点から表表現とモデルの組み合わせの有効性に関する最初の制御された研究を行う。 テーブル表現とモデルの組み合わせはセットアップによって異なります。 本稿では,テーブル表現を動的に選択するFRESを提案する。
  論文  参考訳（メタデータ） (2025-05-20T09:36:17Z)
• 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)
• SEMv2: Table Separation Line Detection Based on Instance Segmentation [96.36188168694781]
  SEMv2(SEM: Split, Embed, Merge)と呼ばれるテーブル構造認識器を提案する。 本稿では,テーブル分離ラインのインスタンスレベルの識別問題に対処し,条件付き畳み込みに基づくテーブル分離ライン検出戦略を提案する。 SEMv2を包括的に評価するために、iFLYTABと呼ばれるテーブル構造認識のためのより困難なデータセットも提示する。
  論文  参考訳（メタデータ） (2023-03-08T05:15:01Z)
• 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)

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。