論文の概要: TEmBed-T: A Multi-Dimensional Benchmark for Table-Level Embeddings
- arxiv url: http://arxiv.org/abs/2607.24130v1
- Date: Mon, 27 Jul 2026 08:13:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.359454
- Title: TEmBed-T: A Multi-Dimensional Benchmark for Table-Level Embeddings
- Title（参考訳）: TEmBed-T:テーブルレベル埋め込みのための多次元ベンチマーク
- Abstract要約: 本稿では,下流の有効性に要求されるいくつかの相補的特性をキャプチャするテーブルレベルの埋め込みの体系的評価を導入する。
TEmBedモデルプールに関する実証的研究により、すべてのタスクで単一のモデルが排他的でないことが確認された。
- 参考スコア（独自算出の注目度）: 14.025347839787123
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tabular data is the dominant structured-data modality, and learning table representations has become a core research direction. Table-level embeddings in particular underpin a wide range of applications, including table retrieval, data lake discovery, and table classification. Despite their importance, there is still limited understanding of how different embedding approaches behave across tasks, making systematic evaluation and analysis essential. In this work, we introduce a systematic evaluation of table-level embeddings that captures several complementary properties required for downstream effectiveness. We realize this evaluation by extending TEmBed, a recently proposed testbed for tabular embeddings, whose table-level coverage is currently limited to a single retrieval task. An empirical study over the TEmBed model pool confirms that no single model excels across all tasks, demonstrating that table-level embedding quality cannot be reduced to retrieval alone.
- Abstract（参考訳）: タブラルデータが支配的な構造化データモダリティであり、学習表表現が中核的な研究方向となっている。
特にテーブルレベルの埋め込みは、テーブル検索、データレイク発見、テーブル分類など、幅広い応用を支えている。
その重要性にもかかわらず、異なる埋め込みアプローチがタスク間でどのように振る舞うかについて、まだ理解が限られており、体系的な評価と分析が不可欠である。
本稿では,下流の効率性に要求されるいくつかの相補的特性をキャプチャするテーブルレベルの埋め込みの体系的評価を導入する。
この評価は、テーブルレベルのカバレッジが1つの検索タスクに限定されているテーブル埋め込み用テストベッドであるTEmBedを拡張して実現した。
TEmBedモデルプールに関する実証的研究では、すべてのタスクにまたがる単一のモデルが存在しないことが確認され、テーブルレベルの埋め込み品質が検索のみに還元できないことが証明された。
関連論文リスト
- Beyond IID: How General Are Tabular Foundation Models, Really? [76.03669797389378]
研究コミュニティは、多様なデータセットやタスクに関する基礎モデルをますます評価している。
標準ベンチマークは主に、表形式の基礎モデルがすでに優れているタスクのために定義されている。
BeyondArenaは、グラフデータのための最初の統一された総合的なベンチマークである。
論文 参考訳（メタデータ） (2026-06-29T14:55:52Z) - MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image [52.47434184153733]
MulTaBenchは40のデータセットのベンチマークで、画像-タブラルタスクとテキスト-タブラルタスクを等しく分割する。
テキストと画像のモダリティにまたがって、ターゲット認識表現のチューニングによる利得が一般化されることを示す。
論文 参考訳（メタデータ） (2026-05-11T14:12:05Z) - FollowTable: A Benchmark for Instruction-Following Table Retrieval [30.435522584995336]
Instruction-Following Table Retrieval (IFTR) を定式化した。
本稿では,IFTRの最初の大規模ベンチマークであるFollowTableを紹介する。
論文 参考訳（メタデータ） (2026-05-01T04:42:13Z) - Towards Universal Tabular Embeddings: A Benchmark Across Data Tasks [15.117602507724726]
タブラル表現学習モデルは、タスクやドメイン間で転送されるデータの普遍的な表現を学習することを目的としている。
既存の手法は、直接比較が難しいタスク固有の設定で評価されることが多い。
TEmBedは、4つの表現レベルにまたがる埋め込みを体系的に評価するためのベンチマークである。
論文 参考訳（メタデータ） (2026-04-23T14:05:38Z) - TReB: A Comprehensive Benchmark for Evaluating Table Reasoning Capabilities of Large Language Models [30.26407735827857]
表構造データによる推論は、大規模言語モデル(LLM)に重大な課題をもたらす
本稿では,表理解能力と表推論能力の両方を測定する総合的な表推論進化ベンチマークTReBを提案する。
我々は3つの異なる推論モード(TCoT, PoT, ICoT)でテーブル推論能力を頑健に測定する評価フレームワークを構築した。
論文 参考訳（メタデータ） (2025-06-23T09:02:04Z) - 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) - MT-RAIG: Novel Benchmark and Evaluation Framework for Retrieval-Augmented Insight Generation over Multiple Tables [11.268174270952489]
MT-RAIG Benchは、マルチテーブル上での検索型インサイト生成システムを評価するように設計されている。
そこで本研究では,人体品質判定の精度向上を目的とした,詳細な評価フレームワークMT-RAIG Evalを紹介した。
論文 参考訳（メタデータ） (2025-02-17T12:21:13Z) - QFMTS: Generating Query-Focused Summaries over Multi-Table Inputs [63.98556480088152]
表要約は、情報を簡潔で分かりやすいテキスト要約に凝縮するための重要な課題である。
本稿では,クエリ中心のマルチテーブル要約を導入することで,これらの制約に対処する新しい手法を提案する。
提案手法は,テーブルシリアライズモジュール,要約コントローラ,および大規模言語モデルからなり,ユーザの情報要求に合わせたクエリ依存のテーブル要約を生成する。
論文 参考訳（メタデータ） (2024-05-08T15:05:55Z) - 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) - UniTabE: A Universal Pretraining Protocol for Tabular Foundation Model
in Data Science [16.384705926693073]
本研究は,データサイエンスにおける表上での予測を容易にするために,事前学習方法論の能力を拡張することを目的とする。
テーブルを一様に処理するために設計されたUniTabEは、特定のテーブル構造によって課される制約を無視する。
プレトレーニングフェーズを実装するため,Kaggleプラットフォームから正確に収集した約13Bサンプルからなる拡張データセットをキュレートした。
論文 参考訳（メタデータ） (2023-07-18T13:28:31Z) - STUNT: Few-shot Tabular Learning with Self-generated Tasks from
Unlabeled Tables [64.0903766169603]
我々は,Unlabeled Tables (STUNT) からの自己生成タスクを作成した,数発のセミ教師付き学習のためのフレームワークを提案する。
私たちのキーとなるアイデアは、ランダムに選択された列をターゲットラベルとして扱うことで、多様なショットタスクを自己生成することです。
次に、メタラーニング手法を用いて、構築されたタスクで一般化可能な知識を学習する。
論文 参考訳（メタデータ） (2023-03-02T02:37:54Z) - Tab.IAIS: Flexible Table Recognition and Semantic Interpretation System [84.39812458417246]
完全テーブル認識処理を行い、最も頻繁なテーブル形式をサポートする2つのルールベースのアルゴリズムを開発する。
意味情報の抽出をテーブル認識プロセスに組み込むため,グラフに基づくテーブル解釈法を開発した。
我々のテーブル認識アプローチは、最先端のアプローチと競合する結果を得る。
論文 参考訳（メタデータ） (2021-05-25T12:31:02Z)
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。