論文の概要: Latent Bridges for Multi-Table Question Answering
- arxiv url: http://arxiv.org/abs/2606.28916v1
- Date: Sat, 27 Jun 2026 13:48:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.729356
- Title: Latent Bridges for Multi-Table Question Answering
- Title（参考訳）: 多点質問応答用潜伏橋
- Abstract要約: 本稿では,テーブル質問応答のためのコンストラクタ-エンコーダ-ブリッジパイプラインであるGRABを紹介する。
提案手法は,リレーショナルデータをヘテロジニアスなグラフに引き上げ,メッセージパッシングによってエンコードし,クエリ条件付き潜在トークンの小さなセットを通じてLLMに転送する。
これにより、LLMはフラットテキストとともに、コンパクトでタスク関連の構造表現を提供する。
- 参考スコア（独自算出の注目度）: 13.700776949073289
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce GRAB, a constructor-encoder-bridge pipeline for table question answering. Our method lifts relational data into an heterogeneous graph, encodes it via message passing, and transfers the signals to an LLM through a small set of query-conditioned latent tokens. This provides the LLM with a compact, task-relevant structural representation together with the flattened text. Crucially, the LLM remains strictly frozen to preserve its general reasoning capabilities; we train only the lightweight graph encoder and latent bridge (91M parameters), allowing the entire pipeline to be trained efficiently. Our pipeline significantly improves performance on relational Question Answering, with the largest gains in demanding multi-table settings, offering an efficient, principled way to connect relational deep learning with LLMs.
- Abstract（参考訳）: 本稿では,テーブル質問応答のためのコンストラクタ-エンコーダ-ブリッジパイプラインであるGRABを紹介する。
提案手法は,リレーショナルデータをヘテロジニアスなグラフに引き上げ,メッセージパッシングによってエンコードし,クエリ条件付き潜在トークンの小さなセットを通じてLLMに転送する。
これにより、LLMはフラットテキストとともに、コンパクトでタスク関連の構造表現を提供する。
我々は、軽量グラフエンコーダと潜伏ブリッジ(91Mパラメータ)のみを訓練し、パイプライン全体を効率的に訓練できるようにしています。
我々のパイプラインは、リレーショナル質問応答の性能を大幅に改善し、マルチテーブル設定を要求される最大の利点は、リレーショナルディープラーニングとLLMを結びつける、効率的で原則化された方法を提供することである。
関連論文リスト
- Replacing Multi-Step Assembly of Data Preparation Pipelines with One-Step LLM Pipeline Generation for Table QA [16.758340727602793]
TQA(Table Question Answering)は、構造化テーブル上の自然言語質問に答えることを目的としている。
大規模言語モデル(LLM)は、最先端のパフォーマンスを提供するマルチステップ方式でテーブル操作パイプラインを生成する演算子中心のソリューションによって、この問題に対する有望な解決策を可能にする。
我々は,TQAのための高品質なデータ準備パイプラインを単一推論ステップで作成するために,新しい改良型強化学習を通じて軽量LLMを訓練する最初のフレームワークであるOperation-R1を提案する。
論文 参考訳（メタデータ） (2026-02-26T07:49:50Z) - Concise Geometric Description as a Bridge: Unleashing the Potential of LLM for Plane Geometry Problem Solving [50.05273675575345]
PlaneThought Problem Solving (PGPS) は幾何学図と問題テキスト記述に基づく平面幾何学的問題を解決することを目的としている。
大規模言語モデル(LLM)は強力な推論能力を有しており、PGPSへの直接的な応用は視覚図の処理能力の欠如によって妨げられている。
視覚図の幾何学的記述を生成するためにMLLMインタープリタを訓練し、既製のLCMを用いて推論を行う。
論文 参考訳（メタデータ） (2026-01-29T02:03:33Z) - Towards Efficient LLM-aware Heterogeneous Graph Learning [47.42705995672551]
ヘテロジニアスグラフのための効率的なLLM-Awareフレームワークを提案する。
提案するELAは,性能と効率において最先端の手法より優れている。
論文 参考訳（メタデータ） (2025-11-22T05:38:03Z) - KGFR: A Foundation Retriever for Generalized Knowledge Graph Question Answering [23.818060996900837]
大規模言語モデル(LLM)は推論に優れるが、文脈やパラメトリックな知識に制限があるため、知識集約的な問題に悩まされる。
我々はLLM-KGFR協調フレームワークを提案し、LLMは構造化レトリバーであるKGFR(Knowledge Graph Foundation Retriever)と連携する。
KGFR は LLM の生成した記述を用いて関係を符号化し、その問題におけるそれらの役割に基づいてエンティティを初期化する。
論文 参考訳（メタデータ） (2025-11-06T06:06:54Z) - DAGR: Decomposition Augmented Graph Retrieval with LLMs [1.034893617526558]
DAGRは、複雑な質問と、関連するリンクされたサブグラフを抽出するサブクエストにおけるそれらの分解の両方を活用する検索手法である。
結果として得られるGraph-RAGパイプラインは、複雑なマルチホップ質問の処理と、グラフ構造化データに対する効果的な推論に適している。
DAGRを標準マルチホップQAベンチマークで評価し、競合する既存手法に匹敵する性能または優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2025-06-16T11:44:28Z) - Large Language Models are Good Relational Learners [55.40941576497973]
本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。
従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
論文 参考訳（メタデータ） (2025-06-06T04:07:55Z) - LightPROF: A Lightweight Reasoning Framework for Large Language Model on Knowledge Graph [57.382255728234064]
大きな言語モデル(LLM)は、テキスト理解とゼロショット推論において素晴らしい能力を持っている。
知識グラフ(KG)は、LLMの推論プロセスに対して、リッチで信頼性の高いコンテキスト情報を提供する。
我々は、KGQA(LightPROF)のための新しい軽量で効率的なPrompt Learning-ReasOning Frameworkを提案する。
論文 参考訳（メタデータ） (2025-04-04T03:03:47Z) - Emulating Retrieval Augmented Generation via Prompt Engineering for Enhanced Long Context Comprehension in LLMs [23.960451986662996]
本稿では,レトリーバル拡張生成(RAG)を特殊エンジニアリングとチェーンオブ思考推論によりエミュレートする手法を提案する。
我々は,BABILong から選択したタスクに対するアプローチを評価し,大量の散逸テキストを用いた標準 bAbI QA 問題をインターリーブする。
論文 参考訳（メタデータ） (2025-02-18T02:49:40Z) - LLM-AutoDiff: Auto-Differentiate Any LLM Workflow [58.56731133392544]
自動プロンプト工学(APE)のための新しいフレームワーク LLM-AutoDiff について紹介する。
LLMs-AutoDiffは、各テキスト入力をトレーニング可能なパラメータとして扱い、フリーズした後方エンジンを使用して、テキスト勾配に対するフィードバック・アキンを生成する。
精度とトレーニングコストの両方において、既存のテキスト勾配ベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2025-01-28T03:18:48Z) - Rephrase and Respond: Let Large Language Models Ask Better Questions for Themselves [57.974103113675795]
本稿では,Rephrase and Respond'(RaR)という手法を提案する。
RaRは、パフォーマンスを改善するためのシンプルだが効果的なプロンプト方法として機能する。
また,RaRは理論的にも経験的にも,一般的なChain-of-Thought(CoT)法と相補的であることを示す。
論文 参考訳（メタデータ） (2023-11-07T18:43:34Z) - Response Length Perception and Sequence Scheduling: An LLM-Empowered LLM
Inference Pipeline [22.08897444328099]
大規模言語モデル(LLM)はAIの分野に革命をもたらし、様々なタスクで前例のない能力を示している。
本稿では,LLMのパワーを利用する効率的なLLM推論パイプラインを提案する。
論文 参考訳（メタデータ） (2023-05-22T15:36:06Z) - Search-in-the-Chain: Interactively Enhancing Large Language Models with
Search for Knowledge-intensive Tasks [121.74957524305283]
本稿では、情報検索(IR)とLarge Language Model(LLM)のインタラクションのための、textbfSearch-in-the-Chain(SearChain)という新しいフレームワークを提案する。
実験の結果、SearChainは複雑な知識集約タスクにおける最先端のベースラインを上回っていることがわかった。
論文 参考訳（メタデータ） (2023-04-28T10:15:25Z)
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。