論文の概要: H2Table: Hierarchical Hypergraph-Enhanced Large Language Models for Complex Table Reasoning

• arxiv url: http://arxiv.org/abs/2609.01216v1
• Date: Tue, 01 Sep 2026 13:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.681353
• Title: H2Table: Hierarchical Hypergraph-Enhanced Large Language Models for Complex Table Reasoning
• Title（参考訳）: H2Table: 複雑なテーブル推論のための階層的ハイパーグラフ拡張大言語モデル
• Authors: Jia Ling, Yangfan Wang, Chen Tang, Haoming Tan, Yang Yang, Yi Guan, Jingchi Jiang,
• Abstract要約: H2Tableは、複雑なテーブルを階層的なネストハイパーグラフとして表現する新しいフレームワークである。 我々は、ハイパーエッジ(ヘッダ)とノード(セル)間のメッセージパッシングを容易にする調整されたハイパーグラフエンコーダを設計する。
• 参考スコア（独自算出の注目度）: 16.150378428877445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tables are ubiquitous across diverse domains, yet reasoning over them remains a significant challenge for modern large language models (LLMs). Current approaches typically linearize tables into sequences, inherently overlooking their intrinsic two-dimensional and hierarchical structure. To address this, we propose H2Table (Hierarchical Hypergraph-Enhanced Table Reasoning), a novel framework that represents complex tables as hierarchical nested hypergraphs. To process this representation, we design a tailored hypergraph encoder to facilitate message passing between hyperedges (headers) and nodes (cells), thereby perceiving the semantic entailment relationships between them within complex tables. Furthermore, we introduce a set of learnable query vectors acting as a lightweight bridge to extract representative structural embeddings from the encoder into the LLM. Experimental results demonstrate that our approach effectively handles complex table question answering tasks with hierarchical nested headers. Notably, on the HiTab dataset, H2Table achieves an average improvement of 22.88% over state-of-the-art baselines on highly complex tables with a nesting depth of four. Our code is available at: https://github.com/lila120/h2table.
• Abstract（参考訳）: テーブルは多様なドメインにまたがっているが、それらに対する推論は、現代の大規模言語モデル(LLM)にとって重要な課題である。 現在のアプローチは典型的にはテーブルを列に線形化し、本質的にその内在的な二次元構造と階層構造を見渡す。 これを解決するために,H2Table (hierarchical Hypergraph-Enhanced Table Reasoning) を提案する。 この表現を処理するために,ハイパーエッジ (ヘッダ) とノード (セル) 間のメッセージパッシングを容易にする調整されたハイパーグラフエンコーダを設計した。 さらに、軽量なブリッジとして機能する学習可能なクエリベクトルのセットを導入し、エンコーダからLLMへの代表的な構造埋め込みを抽出する。 実験により,本手法は階層型ネストヘッダを用いた複雑なテーブル質問応答タスクを効果的に処理することを示した。 特に、HiTabデータセットでは、H2Tableは、ネスト深さ4の非常に複雑なテーブル上の最先端のベースラインよりも平均22.88%向上している。 私たちのコードは、https://github.com/lila120/h2table.comで利用可能です。

関連論文リスト

• Hypergraph as Language [49.35033483821496]
  大規模言語モデルのためのハイパーグラフネイティブアライメントフレームワークを提案する。 ハイパーグラフ構造の場合、既存のメソッドは複数のオブジェクトが同じ高次関係で結合されているというネイティブセマンティクスを保存するのに失敗することが多い。 また,Hyper-Alignはドメイン内およびゼロショット評価において,既存手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-21T01:09:48Z)
• Orthogonal Hierarchical Decomposition for Structure-Aware Table Understanding with Large Language Models [13.58784346599112]
  LLMの複雑なテーブルの構造保存型入力表現を構成する直交階層分解(OHD)フレームワークを提案する。 この表現に基づいて、各セルのセマンティックな系統を対称的に再構築する2経路アソシエーションプロトコルを設計する。 AITQA と HiTab という2つの複雑なテーブル質問応答ベンチマーク上で OHD フレームワークを評価する。
  論文  参考訳（メタデータ） (2026-02-02T11:22:43Z)
• STAR: Semantic Table Representation with Header-Aware Clustering and Adaptive Weighted Fusion [1.483000637348699]
  STAR(Semantic Table Representation)はセマンティッククラスタリングと重み付き融合によってセマンティックテーブル表現を改善する軽量フレームワークである。 全てのデータセットにおいて,STARはQGpTよりも連続的に高いリコールを実現していることを示す。
  論文  参考訳（メタデータ） (2026-01-22T11:08:46Z)
• 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)
• HyperJoin: LLM-augmented Hypergraph Link Prediction for Joinable Table Discovery [27.204701078044252]
  本稿では,結合テーブル探索のための大規模言語モデル (LLM) 拡張ハイパーグラフフレームワークを提案する。 具体的には、まずテーブル内ハイパーエッジとLLM拡張テーブル間ハイパーエッジの両方を用いてテーブルをモデル化するハイパーグラフを構築する。 そして、カラムとハイパーエッジを渡る双方向メッセージを通して、表現力のある列表現を学習する階層的相互作用ネットワークであるHINを設計する。
  論文  参考訳（メタデータ） (2026-01-03T00:54:55Z)
• 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)
• Table Retrieval May Not Necessitate Table-specific Model Design [83.27735758203089]
  テーブル検索のタスクに焦点をあてて、"テーブル固有のモデル設計はテーブル検索に必要か? 自然質問データセット (NQ-table) の表に基づく分析の結果, 70%以上の症例では構造が無視できる役割を担っていることがわかった。 次に、テーブル構造、すなわち補助列/カラム埋め込み、ハードアテンションマスク、ソフトリレーションに基づくアテンションバイアスを明示的にエンコードする3つのモジュールを実験する。 いずれも大きな改善は得られず、テーブル固有のモデル設計がテーブル検索に不要である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-19T20:35:23Z)
• Retrieving Complex Tables with Multi-Granular Graph Representation Learning [20.72341939868327]
  自然言語テーブル検索の課題は,自然言語クエリに基づいて意味的に関連するテーブルを検索することである。 既存の学習システムは、テーブルがデータフレームとして構成されているという仮定に基づいて、テーブルをプレーンテキストとして扱う。 多粒グラフ表現学習を用いた一般化可能なNLTRフレームワークであるグラフベーステーブル検索(GTR)を提案する。
  論文  参考訳（メタデータ） (2021-05-04T20:19:03Z)

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。