論文の概要: TELLER: Dual-Path Iterative Preference Optimization for Table Entity Linking
- arxiv url: http://arxiv.org/abs/2607.28680v1
- Date: Wed, 29 Jul 2026 18:08:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.367758
- Title: TELLER: Dual-Path Iterative Preference Optimization for Table Entity Linking
- Title（参考訳）: TELLER: テーブルエンティティリンクのためのデュアルパス反復参照最適化
- Abstract要約: TELLER: エラーと推論からの学習によるテーブルエンティティリンク。
まず、Wikidataの候補を検索してランク付けし、そのプロンプトに減らされた表のエビデンスを保持します。
ダイレクト・アンサー・パスは反復的な直接選好最適化を適用し、更新されたモデルからの残差エラーで選好データを更新する。
- 参考スコア（独自算出の注目度）: 1.1542896774745293
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Entity linking in tables matches short and ambiguous cell mentions to their corresponding knowledge-base entities. Existing approaches typically rely on data preprocessing pipelines that retain either compact or extensive table content as contextual evidence, and then formulate entity linking as a language generation task for instruction-tuned models; recent systems further incorporate explicit reasoning to disambiguate challenging mentions. However, their training supervision is usually static: fixed preference data cannot adapt to the residual errors of an evolving model, while variations in reasoning length can bias sequence-level preference learning. To address these limitations, we present TELLER: Table Entity Linking through Learning from Errors and Reasoning. We first retrieve and rank Wikidata candidates and retain reduced table evidence in the prompt. The direct-answer path applies iterative direct preference optimization and refreshes its preference data with residual errors from the updated model. The reasoning path uses filtered and compressed chain-of-thought rationales for supervised fine-tuning, followed by our iterative length-normalized regularized preference optimization. On the TableInstruct entity-linking subset, the direct-answer path improves accuracy from 94.35\% to 94.50\%; on the MammoTab V2 evaluation set, it improves accuracy from 87.59\% to 88.20\%. The reasoning path improves accuracy from 92.90\% to 92.95\% on TableInstruct and from 79.09\% to 81.85\% on MammoTab V2, while maintaining high rates of complete reasoning generation. These results show that iterative preference learning benefits both concise entity prediction and explicit reasoning.
- Abstract（参考訳）: テーブル内のエンティティリンクは、対応するナレッジベースエンティティに言及する短く曖昧なセルと一致します。
既存のアプローチは通常、コンテクストの証拠としてコンパクトまたは広範囲なテーブル内容を保持するデータ前処理パイプラインに依存し、それから命令で訓練されたモデルの言語生成タスクとしてエンティティリンクを定式化する。
しかし、彼らのトレーニングの監督は通常静的であり、固定された嗜好データは進化するモデルの残差エラーに適応できない一方で、推論長のバリエーションはシーケンスレベルの選好学習に偏っている。
これらの制限に対処するため、TELLER: エラーと推論からの学習によるテーブルエンティティリンク。
まず、Wikidataの候補を検索してランク付けし、そのプロンプトに減らされた表のエビデンスを保持します。
ダイレクト・アンサー・パスは反復的な直接選好最適化を適用し、更新されたモデルからの残差エラーで選好データを更新する。
理由付けパスは、教師付き微調整にフィルタおよび圧縮されたチェーン・オブ・シークレット論理を用い、続いて反復的長さ正規化正規化選好最適化を行う。
TableInstructエンティティリンクサブセットでは、直接回答パスは94.35\%から94.50\%に精度を向上し、MammoTab V2評価セットでは87.59\%から88.20\%に精度を向上する。
推論パスは、TableInstructでは92.90\%から92.95\%に、MammoTab V2では79.09\%から81.85\%に改善される。
これらの結果から,反復的選好学習は簡潔な実体予測と明示的推論の両方に有用であることが示唆された。
関連論文リスト
- REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。
REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。
このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
論文 参考訳（メタデータ） (2026-08-31T11:34:19Z) - When LLMs Read Tables Carelessly: Measuring and Reducing Data Referencing Errors [36.695407633693286]
本稿では,データ参照エラー(DRE)を,異なるモデルやタスク間で初めて体系的に評価する。
以上の結果から,DREは全試験モデル (1.7Bから20Bパラメータ) にまたがって発生することが明らかとなった。
我々は,データ参照を批評家として取り入れることで,解答精度が最大12.0%向上することが実証された。
論文 参考訳（メタデータ） (2026-06-30T17:54:50Z) - Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。
我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。
我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-05-20T21:25:41Z) - LIFT: Last-Mile Fine-Tuning for Table Explicitation [3.0657548822958063]
本稿では,構造化されていないクリップボードテキストから,事前学習された大規模言語モデルから初期テーブルを抽出するパイプラインLiftを提案する。
3つのデータセットから2596テーブルのベンチマークでは、LiftはエンドツーエンドのSLMファインチューニングにマッチするか、超えている。
論文 参考訳（メタデータ） (2026-05-13T12:19:01Z) - TopBench: A Benchmark for Implicit Prediction and Reasoning over Tabular Question Answering [80.93487993878836]
現実世界のクエリの一般的なクラスは暗黙的に予測され、単に検索するのではなく、歴史的パターンから観測されていない回答を推測する必要がある。
これらのクエリには、潜在意図を認識することと、大規模テーブル上での信頼性の高い予測推論という2つの課題がある。
単点予測から意思決定,処理効果分析,複雑な推論に至るまで,4つのサブタスクにわたる779のサンプルからなるベンチマークであるTopBenchを紹介する。
論文 参考訳（メタデータ） (2026-04-30T16:22:51Z) - QUIETT: Query-Independent Table Transformation for Robust Reasoning [21.03903792753972]
現実世界の表はしばしば不規則なスキーマ、不均一な値形式、暗黙のリレーショナル構造を示す。
クエリ非依存のテーブル変換フレームワークQuIeTTを紹介する。
モデルと推論パラダイム間で一貫した利得を示しており、特に構造的に多様で目に見えない質問の課題に対して強力な改善がなされています。
論文 参考訳（メタデータ） (2026-02-23T16:23:49Z) - TabSieve: Explicit In-Table Evidence Selection for Tabular Prediction [14.270578219134997]
提案するTabSieveは,エビデンスの使用を明確化し,監査可能にする,セレクトthen予測フレームワークである。
テーブルとクエリ行が与えられた後、TabSieveはまず、証拠として情報行の小さなセットを選択し、選択されたエビデンスに条件付けられた不足ターゲットを予測する。
75の分類と52の回帰表のホールドアウトベンチマークの実験は、TabSieveがショット予算で一貫してパフォーマンスを改善していることを示している。
論文 参考訳（メタデータ） (2026-02-12T08:28:58Z) - Reasoning by Commented Code for Table Question Answering [2.497926557563177]
Table Question Answering (TableQA)は、大きな言語モデルにとって大きな課題となる。
既存手法は、エンドツーエンドの応答生成や一行のプログラムクエリに依存するが、数値的精度が限られており、解釈可能性も低下している。
この記事では、Pythonプログラム生成プロセスに明示的な推論を組み込んだ、コメント付き、ステップバイステップのコード生成フレームワークを紹介します。
論文 参考訳（メタデータ） (2026-01-31T06:16:35Z) - CORE-T: COherent REtrieval of Tables for Text-to-SQL [91.76918495375384]
CORE-Tはスケーラブルでトレーニング不要なフレームワークで、テーブルに目的のメタデータを付加し、軽量なテーブル互換キャッシュをプリコンプリートする。
バード、スパイダー、MMQAを越えて、CORE-Tはテーブル選択F1を最大22.7ポイント改善し、最大42%のテーブルを検索する。
論文 参考訳（メタデータ） (2026-01-19T14:51:23Z) - Knowing the Answer Isn't Enough: Fixing Reasoning Path Failures in LVLMs [85.37131922131657]
我々はLVLM(Large Vision-Language Models)の重大な欠陥を明らかにした。
これらのモデルが正しい答えを知っていても、誤った推論経路を通じて頻繁にそこに到達します。
PSO(Path-Select Optimization)は,既存のLVLMの推論性能と安定性を両立させる2段階のポストトレーニングフレームワークである。
論文 参考訳（メタデータ） (2025-12-06T03:02:55Z) - KET-QA: A Dataset for Knowledge Enhanced Table Question Answering [63.56707527868466]
本研究では,TableQAの外部知識源として知識ベース(KB)を用いることを提案する。
すべての質問は、答えるテーブルとサブグラフの両方からの情報を統合する必要がある。
我々は,膨大な知識サブグラフから関連する情報を抽出するために,レトリバー・レゾナー構造パイプラインモデルを設計する。
論文 参考訳（メタデータ） (2024-05-13T18:26:32Z) - OmniTab: Pretraining with Natural and Synthetic Data for Few-shot
Table-based Question Answering [106.73213656603453]
最小限のアノテーションによるテーブルベースのQAモデルを構築した。
本稿では、自然データと合成データの両方を消費する全能事前学習手法を提案する。
論文 参考訳（メタデータ） (2022-07-08T01:23:45Z)
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。