論文の概要: TabScope: Question-Adaptive Scope Selection for Table Question Answering

• arxiv url: http://arxiv.org/abs/2609.03395v1
• Date: Thu, 03 Sep 2026 05:51:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.936573
• Title: TabScope: Question-Adaptive Scope Selection for Table Question Answering
• Title（参考訳）: TabScope: テーブル質問回答のための質問適応スコープ選択
• Authors: Yuxiang Wang, Junhao Gan, Jianzhong Qi,
• Abstract要約: 大規模言語モデル(LLM)は、テーブル質問応答では高いパフォーマンスを示しているが、テーブルのサイズが大きくなるにつれてその精度は低下することが多い。 本稿では,局所的推論とフルテーブル推論を動的に選択する質問適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 29.173920432874294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have shown strong performance on table question answering, yet their accuracy often degrades as table size increases. We find that this degradation is not uniform across question types. Localization-sensitive questions are particularly affected by irrelevant table content, while questions requiring broader evidence may still benefit from full-table reasoning. Based on this observation, we propose a question-adaptive framework that dynamically selects between localized and full-table reasoning. The framework constructs question-specific sub-tables through operation-aware table decomposition and uses the predicted question type to determine the appropriate reasoning mode. We further introduce silver reference sub-tables for evaluating evidence selection and construct SLQA, a benchmark based on real-world long tables. Experiments on WikiTQ and SLQA show that localization is particularly effective for lookup and local reasoning questions, while adaptive selection between localized and full-table reasoning achieves the best overall performance. These results highlight that long-table QA requires deciding not only how to localize, but also when to localize. Our code and datasets will be made available upon publication of the paper.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、テーブル質問応答では高いパフォーマンスを示しているが、テーブルのサイズが大きくなるにつれてその精度は低下することが多い。 この劣化は質問の種類によって一様ではない。 ローカライゼーションに敏感な質問は特に無関係な表の内容に影響されるが、より広範な証拠を必要とする質問は依然としてフルテーブルの推論の恩恵を受けている。 そこで本研究では,局所的推論とフルテーブル推論を動的に選択する質問適応フレームワークを提案する。 このフレームワークは、操作認識テーブルの分解を通じて質問固有のサブテーブルを構築し、予測された質問タイプを使用して適切な推論モードを決定する。 さらに,証拠選択を評価するための銀の参照サブテーブルを導入し,実世界の長表に基づくベンチマークであるSLQAを構築した。 WikiTQ と SLQA の実験では、局所化は検索や局所的推論に特に有効であるのに対し、局所化とフルテーブル推論の適応的選択は全体的なパフォーマンスを最高のものにしている。 これらの結果は、長期QAは、ローカライズする方法だけでなく、ローカライズするタイミングも決定する必要があることを浮き彫りにしている。 私たちのコードとデータセットは、論文の公開時に公開されます。

関連論文リスト

• PARTAB: Partition-Aware Reasoning with Structured Evidence for Scalable Table Understanding [10.971852280240357]
  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)
  論文  参考訳（メタデータ） (2026-08-25T05:26:23Z)
• Retrieve Only Relevant Tables Whether Few or Many: Adaptive Table Retrieval Method [49.38787814788666]
  既存のテーブル検索アプローチでは、クエリに最も近いkテーブルの事前決定セットを選択する。 必要なテーブルの数はクエリによって異なり、事前に知ることはできない。 本稿では,各クエリの要求に応じて検索されたテーブル数を調整する適応テーブル検索手法を提案する。
  論文  参考訳（メタデータ） (2026-04-12T14:53:56Z)
• 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)
• When TableQA Meets Noise: A Dual Denoising Framework for Complex Questions and Large-scale Tables [20.33076921920799]
  EnoTabは、複雑な質問と大規模テーブルのための2つのデノベーションフレームワークである。 まず,質問を最小のセマンティック単位に分解することで,エビデンスに基づく質問記述を行う。 次に,明示的で透明なテーブルプルーニングパスを構成するEvidence Tree-Guided Table Denoisingを提案する。
  論文  参考訳（メタデータ） (2025-09-22T12:25:57Z)
• Towards Probabilistic Question Answering Over Tabular Data [6.697214457846037]
  我々は,LUCARIOと大規模データに対する確率的質問応答のためのフレームワークを新たに導入した。 提案手法はベイジアンネットワークをテーブルから誘導し,自然言語クエリを確率的クエリに変換し,大規模言語モデル(LLM)を用いて最終回答を生成する。 実験の結果, ベースラインよりも顕著な改善が見られ, ハイブリッド・シンボリック・ニューラル推論の利点が浮かび上がっている。
  論文  参考訳（メタデータ） (2025-06-25T18:15:33Z)
• 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)
• Interpretable LLM-based Table Question Answering [5.484058026469263]
  テーブル質問回答(Table QA)の解釈可能性は非常に重要です。 本稿では,モデルの意思決定過程を解釈可能なテーブルQA法を提案する。
  論文  参考訳（メタデータ） (2024-12-16T22:44:31Z)
• KET-QA: A Dataset for Knowledge Enhanced Table Question Answering [63.56707527868466]
  本研究では,TableQAの外部知識源として知識ベース(KB)を用いることを提案する。 すべての質問は、答えるテーブルとサブグラフの両方からの情報を統合する必要がある。 我々は,膨大な知識サブグラフから関連する情報を抽出するために,レトリバー・レゾナー構造パイプラインモデルを設計する。
  論文  参考訳（メタデータ） (2024-05-13T18:26:32Z)
• 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)
• Robust Question Answering Through Sub-part Alignment [53.94003466761305]
  我々はアライメント問題として質問応答をモデル化する。 私たちは、SQuAD v1.1でモデルをトレーニングし、いくつかの逆および外ドメインデータセットでそれをテストします。
  論文  参考訳（メタデータ） (2020-04-30T09:10:57Z)

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。