論文の概要: PEARL: Front-Loading Relational Chains for Multi-Hop Table Retrieval

• arxiv url: http://arxiv.org/abs/2608.30291v1
• Date: Mon, 31 Aug 2026 05:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.249685
• Title: PEARL: Front-Loading Relational Chains for Multi-Hop Table Retrieval
• Title（参考訳）: PEARL:マルチホップテーブル検索のためのフロントローディングリレーショナルチェイン
• Abstract要約: PEARLはトレーニング不要のフレームワークで、パラダイムを垂直パーティショニングベースのサブテーブルエンコーディングにシフトする。 PEARLは、事前に特定されたジョインパス上でマルチホップクエリを生成することで、検索コーパスをオフラインに拡張する。 実験の結果、PEARLは既存のメソッドを一貫して上回り、3ホップクエリのR@2で最大30.05%のゲインを達成している。
• 参考スコア（独自算出の注目度）: 15.811717493688812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While large language models (LLMs) have shown strong capabilities in tabular reasoning, retrieving relevant tables remains challenging due to the fragmented and relational structure of real-world data. Existing work typically relies on whole table representations that overlook cross-table semantics induced by join relationships. We propose PEARL, a training-free framework that shifts the paradigm toward vertical partitioning-based sub-table encoding. PEARL augments the retrieval corpus offline by generating multi-hop queries over pre-identified join paths and reorganizing relevant columns into vertically partitioned corpus units, enabling effective multi-table retrieval without query-time LLM inference. Experiments show that PEARL consistently outperforms existing methods, with up to +30.05% gains in R@2 on 3-hop queries. The source code is available at https://github.com/SOOB2NHO/PEARL.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、表の推論において強力な能力を示しているが、実世界のデータの断片化とリレーショナル構造のため、関連するテーブルの検索は依然として困難である。 既存の作業は通常、結合関係によって引き起こされるテーブル間のセマンティクスを見渡すテーブル表現全体に依存します。 PEARLは,垂直分割型サブテーブル符号化にパラダイムをシフトする学習自由フレームワークである。 PEARLは、あらかじめ特定された結合経路上でマルチホップクエリを生成し、関連する列を垂直分割されたコーパス単位に再編成することにより、オフラインで検索コーパスを拡張する。 実験の結果、PEARLは既存のメソッドを一貫して上回り、3ホップクエリのR@2で最大30.05%のゲインを達成している。 ソースコードはhttps://github.com/SOOB2NHO/PEARL.comで公開されている。

関連論文リスト

• 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)
• 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)
• REaR: Retrieve, Expand and Refine for Effective Multitable Retrieval [46.38349148493421]
  REAR(Retrieve, Expand and Refine)は、効率的な高忠実なマルチテーブル検索のための3段階のフレームワークである。 Rearはクエリ整列テーブルを検索し、構造的に結合可能なテーブルで拡張し、ノイズや弱い関係のある候補を抽出することでそれらを洗練する。 Rearはレトリバー非依存であり、複雑なテーブルQAデータセット上の高密度/スパースレトリバーを一貫して改善する。
  論文  参考訳（メタデータ） (2025-11-02T05:01:04Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Improving Table Retrieval with Question Generation from Partial Tables [2.2169618382995764]
  本稿では,LLMを用いてテーブルの小さな部分に基づいて合成質問を生成する簡易かつ効果的な方法であるQGpTを提案する。 生成された質問は、生成に使用される部分テーブルセグメントに結合され、ユーザクエリとのセマンティックアライメントが強化される。
  論文  参考訳（メタデータ） (2025-08-08T09:35:56Z)
• Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
  The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T08:41:53Z)
• 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)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)

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。