論文の概要: ProgramTab: Boosting Table Reasoning of LLMs via Programmatic Paradigm

• arxiv url: http://arxiv.org/abs/2607.11207v1
• Date: Mon, 13 Jul 2026 07:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.383935
• Title: ProgramTab: Boosting Table Reasoning of LLMs via Programmatic Paradigm
• Title（参考訳）: ProgramTab: プログラムパラダイムによるLCMのテーブル推論
• Abstract要約: 大規模言語モデル(LLM)を用いたテーブルベースの推論には、自然言語の質問と構造化データに基づく推論が必要である。 テキスト・ツー・数学的アプローチは、テーブルからキー情報を効率的に抽出し、より小さなサブテーブルを生成するために用いられる。 そこで我々は,Python コードによる表形式のデータ前処理を行うために,テキスト内学習を用いた LLM をガイドする ProgramTab フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 35.68726822569786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Table-based reasoning with large language models (LLMs), which requires reasoning based on natural language questions and structured tabular data, has gained widespread attention. However, a series of issues still constrain the application of this task. The previous approaches suffered from significant performance degradation when faced with large tables due to the difficulty of long text modeling and the limitation of input length for LLMs. The text-to-SQL approach is used to efficiently extract key information from tables and generate smaller sub-tables. However, tabular data, especially web tables, often lack the necessary structure and consistency, making them unsuitable for performing mathematical logic operations using SQL queries. We propose the ProgramTab framework, which guides LLMs employing in-context learning to perform tabular data preprocessing with Python code, as well as the momentous contents extraction with row and column extraction and SQL generation. The experiment results on table reasoning datasets demonstrate that the ProgramTab framework effectively deals with table-based reasoning tasks and outperforms all LLM-based baselines.
• Abstract（参考訳）: 自然言語質問と構造化表データに基づく推論を必要とする大規模言語モデル(LLM)によるテーブルベース推論が注目されている。 しかし、一連の問題は依然としてこのタスクの適用を制限している。 従来のアプローチでは、長いテキストモデリングの難しさとLLMの入力長の制限により、大きなテーブルに直面すると性能が著しく低下した。 テキストからSQLへのアプローチは、テーブルからキー情報を効率的に抽出し、より小さなサブテーブルを生成するために使われる。 しかし、表形式のデータ、特にWebテーブルは、必要な構造と一貫性を欠いていることが多く、SQLクエリを使った数学的論理操作には適さない。 本稿では,Python コードによる表形式のデータ前処理を行うための文脈内学習を用いた LLM の指導を行う ProgramTab フレームワークと,行や列の抽出,SQL 生成による瞬間的な内容抽出を提案する。 実験の結果,ProgramTabフレームワークが表ベースの推論タスクを効果的に処理し,LLMベースのベースラインをすべて上回ることを示した。

関連論文リスト

• Improving Table Understanding with LLMs and Entity-Oriented Search [24.3302301035859]
  大規模言語モデル(LLM)を用いたテーブル理解向上のためのエンティティ指向検索手法を提案する。 このアプローチは、質問とテーブルデータ間の意味的類似性、およびテーブルセル間の暗黙的な関係を効果的に活用する。 テーブルエンティティにフォーカスし、テーブルセルがセマンティックにタイトに束縛されていることを保証する。
  論文  参考訳（メタデータ） (2025-08-23T14:02:45Z)
• Multimodal Tabular Reasoning with Privileged Structured Information [67.40011423365712]
  ブリッジインfOrmation (sc Turbo) を用いたタブウラー推論(TabUlar Reasoning)について紹介する。 sc TurboはDeepSeek-R1をベースにした構造対応の推論トレースジェネレータの恩恵を受ける。 sc Turboは、複数のデータセットで最先端のパフォーマンス(+7.2%対以前のSOTA)を達成する。
  論文  参考訳（メタデータ） (2025-06-04T15:46:30Z)
• Weaver: Interweaving SQL and LLM for Table Reasoning [62.55797244714265]
  Weaverは、構造化データ検索のためのsqlとセマンティック処理のためのLLMを組み合わせたフレキシブルなステップバイステッププランを生成する。 Weaverは、4つのTableQAデータセットで、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2025-05-25T03:27:37Z)
• TableLoRA: Low-rank Adaptation on Table Structure Understanding for Large Language Models [57.005158277893194]
  TableLoRA は、PEFT における LLM のテーブル構造理解を改善するために設計されたモジュールである。 テーブルを特別なトークンエンコーダでシリアライズするための特別なトークンを組み込み、2D LoRAを使ってセル位置の低ランク情報をエンコードする。
  論文  参考訳（メタデータ） (2025-03-06T12:50:14Z)
• RB-SQL: A Retrieval-based LLM Framework for Text-to-SQL [48.516004807486745]
  文脈内学習を伴う大規模言語モデル(LLM)は、テキスト・ツー・タスクの性能を大幅に改善した。 In-context prompt Engineering のための新しい検索ベースフレームワーク RB- を提案する。 実験により,我々のモデルは,公開データセットのBIRDとSpiderの競合ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-07-11T08:19:58Z)
• TabSQLify: Enhancing Reasoning Capabilities of LLMs Through Table Decomposition [6.253771639590562]
  テーブル推論は、自然言語の質問と構造化データの両方を理解する必要がある難しいタスクである。 テキスト・ツー・ジェネレーションを利用したテーブルを,より小さく,関連するサブテーブルに分解する新しい方法であるTabifyを提案する。 WikiTQベンチマークでは,64.7%の精度で精度が向上した。
  論文  参考訳（メタデータ） (2024-04-15T21:42:20Z)
• OpenTab: Advancing Large Language Models as Open-domain Table Reasoners [38.29047314758911]
  OpenTabは、Large Language Models (LLM)を利用したオープンドメインテーブル推論フレームワークである。 OpenTabはオープンドメインとクローズドドメインの両方でベースラインを大幅に上回り、最大21.5%の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-22T08:01:01Z)
• Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding [79.9461269253121]
  そこで我々は、中間思考のプロキシとして、図表データを推論チェーンで明示的に使用するChain-of-Tableフレームワークを提案する。 Chain-of-TableはWikiTQ、FeTaQA、TabFactベンチマークで最新のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-01-09T07:46:26Z)
• TAP4LLM: Table Provider on Sampling, Augmenting, and Packing Semi-structured Data for Large Language Model Reasoning [55.33939289989238]
  テーブルベースタスクにおいて,大規模言語モデル(LLM)を効果的に活用するための汎用プリプロセッサスイートとして,TAP4LLMを提案する。 1)大きなテーブルをクエリセマンティクスに基づいて管理可能なサブテーブルに分解するテーブルサンプリング、(2)外部ソースやモデルから追加の知識でテーブルを拡張するテーブル拡張、(3)テーブルパッキングとシリアライゼーションによりテーブルをLLMの理解に適したさまざまなフォーマットに変換する。
  論文  参考訳（メタデータ） (2023-12-14T15:37:04Z)

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。