論文の概要: Monte Carlo Tree Search for Table-to-Multimodal Report Generation
- arxiv url: http://arxiv.org/abs/2608.04071v1
- Date: Tue, 04 Aug 2026 15:52:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.540856
- Title: Monte Carlo Tree Search for Table-to-Multimodal Report Generation
- Title（参考訳）: テーブル・ツー・マルチモーダルレポート生成のためのモンテカルロ木探索
- Abstract要約: 本稿では,マルチモーダルテーブル・ツー・レポート生成を構造化された検索空間上でのプログレッシブな構築プロセスとして定式化するモンテカルロ木探索(MCTS)駆動のフレームワークを提案する。
我々は、LCMを用いてMCTS中にステップバイステップの推論とアクションを生成し、各ノードにコンテキスト認識・コヒーレントレポート構築のための推論軌跡を格納する。
MMRBenchの実験では、MCTS-Reportは構造的完全性、数値的正確性、チャートテキストのアライメント、洞察的ノベルティにおいて、77.9のスコアを達成し、強いベースラインを著しく上回ることを示した。
- 参考スコア（独自算出の注目度）: 15.410824932061011
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatically generating professional multimodal reports comprising both textual analysis and visual charts from structured tabular data is a critical challenge in data intelligence. Existing methods suffer from fixed linear pipelines and isolated subtask processing, which hinder joint optimization of factual accuracy, visual quality, and narrative coherence. To address these issues, this paper proposes MCTS-Report, a Monte Carlo Tree Search (MCTS)-driven framework that formulates multimodal table-to-report generation as a progressive construction process over a structured search space. The core idea is to decompose report generation into atomic actions, including chapter planning, visualization task identification, chart generation, insight organization, and narrative refinement, each executed by an LLM based on dynamic reasoning conditioned on the current report state. We use an LLM to generate step-by-step reasoning and actions during MCTS, storing the reasoning trajectory in each node for context-aware, coherent report construction. To guide the search, we design a multi-dimensional reward function that jointly evaluates numerical fact consistency (via SQL), chart quality, chart-text alignment, and structural completeness, while incorporating a diversity penalty to suppress repeated charts and a precondition check to prune invalid actions. We also construct MMRBench, a comprehensive benchmark comprising real-world tables from six domains, paired with expert-refined reference report structures and verifiable key insights. Experiments on MMRBench demonstrate that MCTS-Report significantly outperforms strong baselines across structural completeness, numerical accuracy, chart-text alignment, and insight novelty, achieving a 77.9 overall score.
- Abstract（参考訳）: データインテリジェンスにおいて、構造化表データからテキスト解析とビジュアルチャートの両方を含むプロのマルチモーダルレポートを自動生成することが重要な課題である。
既存の手法は固定された線形パイプラインと分離されたサブタスク処理に悩まされており、これは事実の正確性、視覚的品質、物語のコヒーレンスを共同で最適化することを妨げる。
そこで本研究では,モンテカルロ木探索(MCTS)によるマルチモーダルテーブル・ツー・レポート生成を,構造化された検索空間上でのプログレッシブな構築プロセスとして定式化するMCTS-Reportを提案する。
その中核となる考え方は、レポート生成を章計画、可視化タスク識別、チャート生成、洞察組織、物語の洗練といったアトミックな行動に分解することであり、それぞれが現在のレポート状態に基づいて動的推論に基づいてLCMによって実行される。
我々は、LCMを用いてMCTS中にステップバイステップの推論とアクションを生成し、各ノードにコンテキスト認識・コヒーレントレポート構築のための推論軌跡を格納する。
探索の指針として,数値的事実整合性(SQL経由),チャート品質,チャートテキストアライメント,構造的完全性などを共同で評価する多次元報酬関数を設計する。
また、6つのドメインの実際のテーブルからなる総合的なベンチマークであるMMRBenchを構築し、専門家が定義した参照レポート構造と照合し、重要な洞察を検証した。
MMRBenchの実験では、MCTS-Reportは構造的完全性、数値的正確性、チャートテキストのアライメント、洞察的ノベルティにおいて、77.9のスコアを達成し、強いベースラインを著しく上回ることを示した。
関連論文リスト
- Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
レポート生成のためのマルチエージェントハーネスであるPtahを提案する。
Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。
検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
論文 参考訳（メタデータ） (2026-05-28T12:40:34Z) - 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) - FT-RAG: A Fine-grained Retrieval-Augmented Generation Framework for Complex Table Reasoning [1.5612868551214847]
FT-RAGは,表を意味単位に分解することで,知識関連性を生かした,きめ細かいフレームワークである。
FT-RAGは、すべての指標で最高パフォーマンスのベースラインを上回っている。
本手法は,複合モダリティ文書に対する複雑な推論のための新しい最先端性能を確立する。
論文 参考訳（メタデータ） (2026-05-02T15:32:26Z) - Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain [15.833746980927195]
Tree-of-Textは3段階生成プロセスを通じて大きな言語モデルをガイドするツリー構造化プロンプトフレームワークである。
実験の結果,本手法はShuttleSet+の既存手法,RotoWire-FGのRGおよびCO指標,MLBのCSおよびCO指標を約40%の時間とコストで上回ることがわかった。
論文 参考訳（メタデータ） (2026-04-29T10:05:18Z) - TDATR: Improving End-to-End Table Recognition via Table Detail-Aware Learning and Cell-Level Visual Alignment [70.83664203825235]
TDATR(Table Detail-Aware Table Recognition)は、テーブルの詳細学習とセルレベルの視覚アライメントにより、エンドツーエンドのTRを改善する。
データセット固有の微調整なしで、7つのベンチマークで最先端または高い競争性能を達成する。
論文 参考訳（メタデータ） (2026-03-24T05:45:02Z) - Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - Same Content, Different Representations: A Controlled Study for Table QA [15.896655757672441]
リアルタイム設定におけるテーブル質問回答(Table QA)は、構造化されたデータベースとテキストフィールドを含む半構造化されたテーブルの両方で操作する必要がある。
既存のベンチマークは固定データ形式に結びついており、表現自体がモデルパフォーマンスに与える影響を体系的に検討していない。
コンテント定数を一定に保ちながら構造を変化させることによりテーブル表現の役割を分離する最初の制御された研究について述べる。
論文 参考訳（メタデータ） (2025-09-26T22:33:19Z) - GRAFT: GRaPH and Table Reasoning for Textual Alignment -- A Benchmark for Structured Instruction Following and Visual Reasoning [0.0]
GRAFTは、命令追従型視覚推論と視覚テキストアライメントのモデルを評価するための構造化マルチモーダルベンチマークである。
生成されたチャートと、Pythonライブラリで作成され、データセマンティクスの制御と明確性を保証する。
論文 参考訳（メタデータ） (2025-08-21T16:13:49Z) - Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - 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) - TACT: Advancing Complex Aggregative Reasoning with Information Extraction Tools [51.576974932743596]
大規模言語モデル(LLM)は、テキスト間の情報の集約を必要とするクエリではよく機能しないことが多い。
TACTには、1つ以上のテキストに散らばる縫合情報を要求する難しい命令が含まれている。
既存のテキストと関連するテーブルのデータセットを活用することで、このデータセットを構築します。
現代のLLMはいずれも,このデータセットでは性能が悪く,精度が38%以下であることが実証された。
論文 参考訳（メタデータ） (2024-06-05T20:32:56Z) - Structsum Generation for Faster Text Comprehension [5.708842985809019]
大規模言語モデル(LLM)を用いてテキストの構造化表現を生成するタスクについて検討する。
表やマインドマップを代表的モダリティとして重視する。
現在のモデルでは、構造的なアウトプットの生成に苦労しています。
論文 参考訳（メタデータ） (2024-01-12T17:43:51Z)
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。