論文の概要: Evolving from Lessons: Skill-Augmented Table Graph Reasoning for Operation-wise Table Question Answering

• arxiv url: http://arxiv.org/abs/2607.22633v1
• Date: Sat, 20 Jun 2026 06:36:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.9958
• Title: Evolving from Lessons: Skill-Augmented Table Graph Reasoning for Operation-wise Table Question Answering
• Title（参考訳）: 授業からの進化: 操作的テーブル質問応答のためのスキル強化テーブルグラフ推論
• Abstract要約: Table Question Answering (TableQA) は、ユーザクエリに応答するテーブルを推論することを目的としている。 本稿では,細粒度質問分類を用いたemphOperation-wise TableQAタスクを提案する。 本稿では,自己進化型構造化推論のためのSkill-augmented Table Graph Reasoning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）: 20.189235715490852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Table Question Answering (TableQA) aims to reason over tables to answer user queries. Existing research treats all questions uniformly and evaluates solely through overall accuracy, obscuring a critical reality that LLMs excel at simple lookups yet struggle with complex operations like aggregation and arithmetic. To reveal this disparity, we introduce a novel \emph{Operation-wise TableQA} task with a fine-grained question taxonomy and release two datasets named WikiTQ-ow and TabFact-ow for evaluation. As for modeling bottlenecks, existing methods flatten tables into linearized texts, disrupting inherent structures and inducing the ``lost-in-the-middle'' issue, which poses a primary barrier to complex cross-row reasoning. Moreover, they typically reason from scratch, neglecting reusable patterns shared across similar operations. To address these limitations, we propose a Skill-augmented Table Graph Reasoning (SkillTGR) framework for self-evolving structured reasoning. Specifically, SkillTGR represents tables as attributed graphs with explicit row-column-cell structures, where LLMs plan and execute dynamic chains to retrieve evidence subgraphs for graph traversal reasoning. Based on this, SkillTGR builds a hierarchical SkillBank to distill reason trajectories into abstract skills under cognitive heuristics, then hybrid retrieves both successful and failed skills for contrastive augmented table graph reasoning, thereby enabling the continual self-evolution. Extensive experiments demonstrate that SkillTGR achieves superior performance with an average of 5.91\% overall and 6.03\% operation-wise improvement, also reducing 19.76\% token consumption and 27.64\% inference latency. Our codes and data will be released upon publication.
• Abstract（参考訳）: Table Question Answering (TableQA) は、ユーザクエリに応答するテーブルを推論することを目的としている。 既存の研究は全ての質問を一様に扱い、総合的な精度でのみ評価し、LLMが単純なルックアップで優れているが、集約や算術のような複雑な操作に苦戦しているという批判的な現実を無視する。 この相違を明らかにするために,精細な質問分類を含む新規なemph{Operation-wise TableQA}タスクを導入し,評価のためにWikiTQ-owとTabFact-owという2つのデータセットをリリースする。 ボトルネックのモデリングに関しては、既存のメソッドがテーブルを線形化されたテキストに平らにし、固有の構造を乱し、‘lost-in-the-middle’問題を引き起こす。 さらに、それらはスクラッチから起因し、同様の操作間で共有される再利用可能なパターンを無視します。 これらの制約に対処するため,自己進化型構造化推論のためのSkillTGR(SkillTGR)フレームワークを提案する。 具体的には、SkillTGRはテーブルを明示的な行カラムセル構造を持つ属性グラフとして表現し、LLMはグラフトラバーサル推論のためのエビデンスサブグラフを取得するために動的チェーンを計画し実行します。 これに基づいて、SkillTGRは階層的なSkillBankを構築し、認知的ヒューリスティックスの下で理性軌道を抽象的なスキルに抽出し、成功と失敗の両方を比較的に拡張されたグラフ推論のスキルとして回収し、連続的な自己進化を可能にする。 大規模な実験では、SkillTGRは全体の平均5.91\%、オペレーションワイドの改善6.03\%、トークン消費19.76\%、推論遅延27.64\%で優れたパフォーマンスを達成している。 私たちのコードとデータは出版時に公開されるでしょう。

関連論文リスト

• Beyond Linearization: Attributed Table Graphs for Table Reasoning [29.473235136449134]
  テーブルを分散表グラフ(ATG)として表す学習自由モデルを提案する。 TABGRは最新モデルの精度を最大9.7%向上させる。
  論文  参考訳（メタデータ） (2026-01-13T11:14:43Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• TableZoomer: A Collaborative Agent Framework for Large-scale Table Question Answering [26.00027389659854]
  TableZoomerは、テーブル質問応答(TQA)タスクのためのプログラミングベースのエージェントフレームワークである。 2)列選択とエンティティリンクを通じてサブテーブルスキーマを動的に生成するクエリ対応テーブルズーム機構,(3)クエリを実行可能なコードに変換するプログラム・オブ・ソート(PoT)戦略により,数値幻覚を緩和する。
  論文  参考訳（メタデータ） (2025-09-01T09:53:01Z)
• 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)
• Reasoning with Graphs: Structuring Implicit Knowledge to Enhance LLMs Reasoning [73.2950349728376]
  大規模言語モデル(LLM)は、幅広いタスクで顕著な成功を収めている。 しかし、彼らは情報片間の関係を理解し、推論する必要があるタスクの推論において、依然として課題に直面している。 この課題は、論理的推論やマルチホップ質問応答など、多段階プロセスに関わるタスクにおいて特に顕著である。 本稿では、まず文脈から明示的なグラフを構築することにより、グラフを用いた推論(RwG)を提案する。
  論文  参考訳（メタデータ） (2025-01-14T05:18:20Z)
• GraphOTTER: Evolving LLM-based Graph Reasoning for Complex Table Question Answering [19.59852014700167]
  複雑なテーブル質問回答は、複雑なレイアウトと柔軟なヘッダロケーションを示す複雑なテーブルに基づいて、特定の質問に対する正確な回答を提供する。 本稿では,正解をピンポイントする推論プロセスを明確に確立するGraphOTTERを提案する。 その後、グラフ上でステップバイステップの推論を行い、各ステップは事前に定義された中間的推論アクションのセットによってガイドされる。
  論文  参考訳（メタデータ） (2024-12-02T07:49:23Z)
• TableRAG: Million-Token Table Understanding with Language Models [53.039560091592215]
  TableRAG(TableRAG)は、LMベースのテーブル理解用に特別に設計された検索拡張生成(RAG)フレームワークである。 TableRAGは、スキーマとセル検索を組み合わせたクエリ拡張を活用して、LMにそれを提供する前に重要な情報をピンポイントする。 以上の結果から,TableRAGは検索精度が向上し,大規模テーブル理解における最先端性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-07T04:15:02Z)
• 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)
• ReasTAP: Injecting Table Reasoning Skills During Pre-training via Synthetic Reasoning Examples [15.212332890570869]
  複雑なテーブル固有のアーキテクチャ設計を必要とせずに、事前学習中に高レベルのテーブル推論スキルをモデルに注入できることを示すためにReasTAPを開発した。 ReasTAPはすべてのベンチマークで最新のパフォーマンスを実現し、低リソース設定で大幅に改善されている。
  論文  参考訳（メタデータ） (2022-10-22T07:04:02Z)
• Mixed-modality Representation Learning and Pre-training for Joint Table-and-Text Retrieval in OpenQA [85.17249272519626]
  最適化された OpenQA Table-Text Retriever (OTTeR) を提案する。 検索中心の混合モード合成事前学習を行う。 OTTeRはOTT-QAデータセット上でのテーブル・アンド・テキスト検索の性能を大幅に改善する。
  論文  参考訳（メタデータ） (2022-10-11T07:04:39Z)
• 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。