論文の概要: PARTAB: Partition-Aware Reasoning with Structured Evidence for Scalable Table Understanding
- arxiv url: http://arxiv.org/abs/2608.24082v1
- Date: Tue, 25 Aug 2026 05:26:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.819599
- Title: PARTAB: Partition-Aware Reasoning with Structured Evidence for Scalable Table Understanding
- Title（参考訳）: PartAB: スケーラブルテーブル理解のための構造化エビデンスによる分割認識推論
- Abstract要約: 分割型共振器(分割型共振器)
分割型共振器(分割型共振器)
分割型共振器(分割型共振器)
- 参考スコア（独自算出の注目度）: 10.971852280240357
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) have shown strong capabilities in table reasoning, but their effectiveness degrades as tables grow in size and complexity due to irrelevant context and difficulty localizing the evidence required for reasoning. Existing approaches typically reason over either the full table or a single reduced view, which can still obscure important row-column relationships. We introducePARTAB (Partition-Aware Reasoning overTables), a framework that constructs a structured evidence interface between the LLM and the table. PARTAB represents query-relevant evidence as semantically coherent, row-linked table regions and performs hierarchical selection over column groups and row-level partitions before composing the selected evidence for answer generation. We evaluate PARTAB on multiple table reasoning benchmarks, covering question answering, fact verification, and numerical reasoning. PARTAB consistently improves over full-table prompting and several recent table reasoning methods, achieving strong performance on WikiTableQuestions and TabFact while remaining competitive on numerical reasoning. Additional analyses show that semantic partitioning and targeted evidence selection improve evidence localization, substantially reduce the reasoning context, and provide larger benefits on complex tables. These results demonstrate the value of structured, partition aware evidence construction for scalable table reasoning.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、テーブル推論において強力な能力を示しているが、テーブルのサイズや複雑さが大きくなるにつれて、その効果は低下する。
既存のアプローチは、通常、完全なテーブルか単一のリダクションビューのいずれかを理にかなっているが、それでも重要な行列関係は曖昧である。
LLMとテーブル間の構造化されたエビデンスインターフェースを構築するフレームワークであるPARTAB(Partition-Aware Reasoning overTables)を紹介する。
PartABは、クエリ関連エビデンスを意味的に一貫性のある行リンクテーブル領域として表現し、選択されたエビデンスを生成する前に、列群と行レベルのパーティションを階層的に選択する。
質問応答,事実検証,数値推論を対象とし,複数のテーブル推論ベンチマーク上でpartABを評価した。
PartABは、フルテーブルのプロンプトと最近のテーブル推論手法を一貫して改善し、数値推論の競争力を維持しながら、WikiTableQuestionsとTabFactで強力なパフォーマンスを実現している。
さらなる分析により、意味的分割と目的的エビデンス選択がエビデンスローカライゼーションを改善し、推論コンテキストを大幅に減らし、複雑なテーブルにより大きな利益をもたらすことが示されている。
これらの結果は、スケーラブルなテーブル推論のための構造化された分割対応エビデンスの構築の価値を示す。
関連論文リスト
- TABVERSE: Benchmarking Cross-Format Table Understanding in LLMs and VLMs [50.96120467118319]
大規模言語モデル(LLM)と視覚言語モデル(VLM)は、テーブル推論タスクでますます評価されている。
制御されたマルチモーダルテーブルベンチマークであるTABVERSEを導入する。
その結果,表の表現選択が表の理解に大きく影響していることが示唆された。
論文 参考訳（メタデータ） (2026-06-08T14:52:46Z) - CRAFT: A Unified Counterfactual Reasoning Framework for Tabular Question Answering and Fact Verification [23.794030351012353]
CRAFTは統合された対実的推論フレームワークである。
タブラル質問応答と事実検証を汎用的な双方向検証プロセスに再構成する。
我々のアプローチは、WikiTQやTabFactといったテーブル推論データセットにおける代表的ベースラインを一貫して超越しています。
論文 参考訳（メタデータ） (2026-06-05T02:37:32Z) - 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) - No Universal Prompt: Unifying Reasoning through Adaptive Prompting for Temporal Table Reasoning [42.37698848099283]
時間表推論は大規模言語モデル(LLM)にとって重要な課題である
SEARは、人間の推論にインスパイアされた適応的なプロンプトフレームワークであり、コンテキストに動的に適応し、構造化された推論を統合する。
その結果,SEARは,ベースラインのプロンプト技術と比較して,全てのテーブルタイプで優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-06-12T19:32:59Z) - 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) - Bridging Queries and Tables through Entities in Table Retrieval [70.13748256886288]
エンティティは、テキスト検索の文脈でよく研究されているが、テーブル検索におけるその応用についての研究は、顕著に欠如している。
本稿では、実体表現に基づく相互作用パラダイムを設計し、エンティティ強化トレーニングフレームワークを提案する。
提案するフレームワークはプラグアンドプレイでフレキシブルで,既存のテーブルレトリバーのトレーニングプロセスに統合しやすくする。
論文 参考訳（メタデータ） (2025-04-09T03:16:33Z) - Tree-of-Table: Unleashing the Power of LLMs for Enhanced Large-Scale Table Understanding [42.841205217768106]
トレー・オブ・タブル(Tree-of-Table)は、LLMが大規模で複雑なテーブル上での推論能力を高めるために設計された新しいアプローチである。
Tree-of-Tableは優れた性能を持つ新しいベンチマークをセットし、大規模テーブル推論における顕著な効率性と一般化能力を示す。
論文 参考訳（メタデータ） (2024-11-13T11:02:04Z) - 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) - 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) - SEMv2: Table Separation Line Detection Based on Instance Segmentation [96.36188168694781]
SEMv2(SEM: Split, Embed, Merge)と呼ばれるテーブル構造認識器を提案する。
本稿では,テーブル分離ラインのインスタンスレベルの識別問題に対処し,条件付き畳み込みに基づくテーブル分離ライン検出戦略を提案する。
SEMv2を包括的に評価するために、iFLYTABと呼ばれるテーブル構造認識のためのより困難なデータセットも提示する。
論文 参考訳（メタデータ） (2023-03-08T05:15:01Z) - Large Language Models are Versatile Decomposers: Decompose Evidence and
Questions for Table-based Reasoning [45.013230888670435]
大規模言語モデル(LLM)を効率的なテーブルベースの推論のためのデコンパイラとして活用する。
巨大な証拠(巨大な表)をサブエビデンス(小さな表)に分解し、無駄な情報の干渉を軽減する。
我々は,思考連鎖のジレンマを軽減するために,「パーシング・エグゼクティオン・フィリング」戦略を提案する。
論文 参考訳（メタデータ） (2023-01-31T17:51:45Z)
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。