論文の概要: Polaris: Learning to Generate Table Descriptions from Retrieval Feedback

• arxiv url: http://arxiv.org/abs/2608.17171v1
• Date: Mon, 17 Aug 2026 22:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.153173
• Title: Polaris: Learning to Generate Table Descriptions from Retrieval Feedback
• Title（参考訳）: Polaris: 検索フィードバックからテーブル記述を生成することを学ぶ
• Abstract要約: そこで我々は,LLMを学習してテーブル記述を検索フィードバックから直接生成するシステムであるPolarisを提案する。 私たちの重要な洞察は、既存のテーブル検索ベンチマークには、このタスクに必要な監督が含まれています。 大規模な実験により、ポラリスは最先端のAutoDDG溶液より優れており、しばしばかなりのマージンで優れていることが示されている。
• 参考スコア（独自算出の注目度）: 1.361581623990238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many table-centric NLP tasks such as NL2SQL first retrieve relevant tables from large collections using keyword search. Recent work uses LLMs to generate natural-language table descriptions to improve retrieval, but they are typically optimized for fluency rather than retrieval effectiveness. We present Polaris, a system that trains an LLM to generate table descriptions directly from retrieval feedback. Our key insight is that existing table retrieval benchmarks already contain the supervision needed for this task: given query-table relevance judgments, we generate multiple candidate descriptions for each table, rank them by their BM25 retrieval effectiveness, and use the resulting preference pairs to fine-tune the LLM with Direct Preference Optimization (DPO). Polaris further expands abbreviated table and column names before generation to reduce vocabulary mismatch. Extensive experiments show that Polaris outperforms the state-of-the-art AutoDDG solution, often by a significant margin. More broadly, our results demonstrate that retrieval benchmarks can be repurposed as supervision for training LLMs to generate retrieval-oriented metadata.
• Abstract（参考訳）: NL2SQLのような多くのテーブル中心のNLPタスクは、キーワード検索を使用して、まず大きなコレクションから関連するテーブルを検索する。 最近の研究では、LLMを用いて自然言語のテーブル記述を生成して検索を改善するが、一般的には検索効率よりも流速に最適化されている。 そこで我々は,LLMを学習してテーブル記述を検索フィードバックから直接生成するシステムであるPolarisを提案する。 我々の重要な洞察は、既存のテーブル検索ベンチマークには、このタスクに必要な監督がすでに含まれているということだ。クエリテーブルの関連性判断が与えられた場合、各テーブルに対して複数の候補記述を生成し、BM25検索効率でそれらをランク付けし、結果の選好ペアを使用して直接優先度最適化(DPO)でLLMを微調整する。 ポラリスはさらに短縮テーブルと列名を生成前に拡張し、語彙ミスマッチを減らす。 大規模な実験により、ポラリスは最先端のAutoDDG溶液より優れており、しばしばかなりのマージンで優れていることが示されている。 より広範に,LLMを学習し,検索指向のメタデータを生成するための指標として,検索ベンチマークを再利用できることが実証された。

関連論文リスト

• PIPER: Content-Based Table Search via profiling and LLM-Generated Pseudoqueries [0.6299766708197881]
  既存のデータセット検索システムは、主にメタデータに依存しており、しばしば不完全または低品質である。 本稿では,テーブルプロファイルとLLM生成クエリを組み込んだコンテンツ駆動型検索手法PIPERを提案する。
  論文  参考訳（メタデータ） (2026-05-18T10:39:42Z)
• FGTR: Fine-Grained Multi-Table Retrieval via Hierarchical LLM Reasoning [9.827204445321147]
  The Fine-Grained Multi-Table Retrieval FGTR is a new search paradigm that using a human-like reasoning strategy。 実験の結果,FGTRは従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-13T06:28:45Z)
• AgenticTagger: Structured Item Representation for Recommendation with LLM Agents [58.12004213978182]
  AgenticTagger は LLM をクエリして,項目をテキスト記述子のシーケンスで表現するフレームワークである。 アイテムコーパス内の語彙を効果的かつ効率的に基底化するために,多エージェント反射機構を設計する。 公開データとプライベートデータの実験では、AgenticTaggerがさまざまなレコメンデーションシナリオに一貫した改善をもたらしている。
  論文  参考訳（メタデータ） (2026-02-05T18:01:37Z)
• CGPT: Cluster-Guided Partial Tables with LLM-Generated Supervision for Table Retrieval [1.483000637348699]
  本稿では,LCM生成によるテーブル検索を支援するトレーニングフレームワークCGPTを紹介する。 CGPTは、QGpTを含む検索ベースラインを一貫して上回り、平均R@1の改善率は16.54パーセントである。 以上の結果から,LLM生成管理によるコントラストトレーニングと組み合わせた意味的ガイド付き部分テーブル構築が,大規模テーブル検索に有効かつスケーラブルなパラダイムを提供することが示された。
  論文  参考訳（メタデータ） (2026-01-22T10:58:56Z)
• 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)
• Hint-Augmented Re-ranking: Efficient Product Search using LLM-Based Query Decomposition [20.966359103135762]
  LLMは,eコマースクエリにおいて最下位の意図を明らかにすることができることを示す。 提案手法では,クエリを検索と同時に生成した属性値ヒントに分解する。 本手法はMAPにおける検索効率を10.9ポイント改善し,ベースライン上のMRRにおいて5.9ポイントのランク付けを行う。
  論文  参考訳（メタデータ） (2025-11-17T23:53:25Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• Data Fusion of Synthetic Query Variants With Generative Large Language Models [1.864807003137943]
  本研究は,データ融合実験において,命令調整型大規模言語モデルによって生成される合成クエリ変種を用いることの実現可能性について検討する。 我々は、プロンプトとデータ融合の原則を生かした、軽量で教師なしで費用効率のよいアプローチを導入します。 解析の結果,合成クエリの変種に基づくデータ融合は,単一クエリのベースラインよりもはるかに優れており,擬似関連フィードバック手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T12:54:27Z)
• 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)
• Optimizing LLM Queries in Relational Data Analytics Workloads [50.95919232839785]
  バッチデータ分析は、Large Language Models(LLMs)の急成長するアプリケーションである LLMは、分類、エンティティ抽出、翻訳などの幅広い自然言語タスクを、大規模なデータセット上で実行可能にする。 本稿では,LLMコールによるリレーショナルデータ解析処理のコストを大幅に削減できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-09T07:01:44Z)
• 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)
• Description-Based Text Similarity [59.552704474862004]
  我々は、その内容の抽象的な記述に基づいて、テキストを検索する必要性を特定する。 そこで本研究では,近隣の標準探索で使用する場合の精度を大幅に向上する代替モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-21T17:14:31Z)
• Large Language Models are Strong Zero-Shot Retriever [89.16756291653371]
  ゼロショットシナリオにおける大規模検索に大規模言語モデル(LLM)を適用するための簡単な手法を提案する。 我々の手法であるRetriever(LameR)は,LLM以外のニューラルモデルに基づいて構築された言語モデルである。
  論文  参考訳（メタデータ） (2023-04-27T14:45:55Z)

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。