論文の概要: TEAR: Table Extraction with Attribute Recommendation from Texts via Large Language Models

• arxiv url: http://arxiv.org/abs/2609.15205v1
• Date: Mon, 14 Sep 2026 08:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.186341
• Title: TEAR: Table Extraction with Attribute Recommendation from Texts via Large Language Models
• Title（参考訳）: TEAR:大規模言語モデルによるテキストからの属性推薦によるテーブル抽出
• Abstract要約: TEARは自然発生のテキストから属性を抽出するフレームワークである。 自動テキスト駆動属性レコメンデーションをサポートし、テーブル抽出のための探索スキーマ設計を可能にする。 実験により、TEARは両タスクの最先端性能を実現し、推奨属性は抽出性能を効果的に向上することが示された。
• 参考スコア（独自算出の注目度）: 21.382972916100005
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Table extraction from texts is an important task for information systems, and recent approaches that prompt large language models (LLMs) with instructions have drawn great attention for their strong performance. Existing works have assumed the input texts to be table descriptions or specialized documents. However, these efforts have largely overlooked another prevalent category of texts, commonly found in news reports and social media: naturally occurring texts. Extracting tabular information from such texts poses two distinct challenges. First, high variability and the absence of explicit structural cues make fixed heuristic LLM prompts limited in precisely delineating extraction boundaries. Second, manually predefined schemas cannot capture open-ended, unseen attributes in naturally occurring text. In this paper, we propose a framework, TEAR, to address these challenges. It comprises two synergistic workflows: a Table Extraction Workflow that dynamically adapts instructions to overcome the limitation of heuristic instructions, and an Attribute Recommendation Workflow that discovers new attributes from texts to complement the heuristic schema. To our knowledge, TEAR is the first framework that supports automated text-driven attribute recommendation, enabling exploratory schema design for table extraction. To evaluate TEAR, we establish the benchmark for table extraction and attribute recommendation on naturally occurring texts, including two real-world datasets, manual annotations, appropriate metrics, and baseline comparisons. Experiments show that TEAR achieves state-of-the-art performance on both tasks, and the recommended attributes effectively enhance extraction performance in exploratory scenarios.
• Abstract（参考訳）: テキストから表を抽出することは情報システムにとって重要な課題であり、命令付き大規模言語モデル(LLM)を誘導する最近のアプローチは、その強い性能に対して大きな注目を集めている。 既存の著作では、入力されたテキストは表の記述や特殊な文書であると仮定している。 しかしながら、これらの取り組みは、ニュースやソーシャルメディアで一般的に見られる、自然発生のテキストという、他の一般的なテキストのカテゴリを概ね見落としている。 このようなテキストから表の情報を抽出することは、2つの異なる課題をもたらす。 第一に、高いばらつきと明示的な構造的手がかりの欠如により、固定的ヒューリスティック LLM は抽出境界を正確に決定するときに制限される。 第二に、手動で事前定義されたスキーマは、自然に発生するテキストで未確認のオープンな属性をキャプチャできない。 本稿では,これらの課題に対処するためのフレームワークTEARを提案する。 このワークフローには、ヒューリスティックな命令の制限を克服するために命令を動的に適応するテーブル抽出ワークフローと、ヒューリスティックなスキーマを補完するテキストから新しい属性を発見する属性推奨ワークフローの2つのシナジスティックなワークフローが含まれている。 我々の知る限り、TEARは自動テキスト駆動属性レコメンデーションをサポートする最初のフレームワークであり、テーブル抽出のための探索スキーマ設計を可能にする。 TEARを評価するために、2つの実世界のデータセット、手動アノテーション、適切なメトリクス、ベースライン比較を含む自然発生テキストのテーブル抽出と属性レコメンデーションのベンチマークを構築した。 実験により、TEARは両タスクの最先端性能を達成し、推奨属性は探索シナリオにおける抽出性能を効果的に向上することが示された。

関連論文リスト

• StructText: A Synthetic Table-to-Text Approach for Benchmark Generation with Multi-Dimensional Evaluation [8.251302684712773]
  StructTextは、テキストからキー値抽出のための高忠実度ベンチマークを自動的に生成するエンドツーエンドフレームワークである。 提案手法は,49件の文書を対象とした71,539件のサンプルを用いて評価した。
  論文  参考訳（メタデータ） (2025-07-28T21:20:44Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• TalentMine: LLM-Based Extraction and Question-Answering from Multimodal Talent Tables [5.365164774382722]
  本稿では,抽出したテーブルを意味豊かな表現に変換する新しいフレームワークであるTalentMineを紹介する。 TalentMineは、標準のAWS Textract抽出の0%に対して、クエリ応答タスクの100%の精度を実現している。 比較分析の結果,Claude v3 Haikuモデルが人材管理アプリケーションに最適なパフォーマンスを実現することが明らかとなった。
  論文  参考訳（メタデータ） (2025-06-22T22:17:42Z)
• Extracting and Encoding: Leveraging Large Language Models and Medical Knowledge to Enhance Radiological Text Representation [31.370503681645804]
  自由テキストラジオグラフィーレポートから高品質な事実文を抽出するための新しい2段階フレームワークを提案する。 我々のフレームワークには胸部X線テキスト生成システムを評価するための新しい埋め込みベースのメトリクス(CXRFE)も含まれている。
  論文  参考訳（メタデータ） (2024-07-02T04:39:19Z)
• Text-Tuple-Table: Towards Information Integration in Text-to-Table Generation via Global Tuple Extraction [36.915250638481986]
  リアルタイムのコメンタリーテキストに基づいたコンペの要約表を生成するためのベンチマークデータセットであるLiveSumを紹介する。 我々は,このタスクにおける最先端の大規模言語モデルの性能を,微調整とゼロショットの両方で評価する。 さらに、パフォーマンスを改善するために、$T3$(Text-Tuple-Table)と呼ばれる新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:31:28Z)
• Hypertext Entity Extraction in Webpage [112.56734676713721]
  textbfMoE ベースの textbfEntity textbfExtraction textbfFramework (textitMoEEF) を導入する。 また、textitHEEDにおけるハイパーテキスト機能の有効性と、textitMoEEFにおけるモデルコンポーネントについて分析する。
  論文  参考訳（メタデータ） (2024-03-04T03:21:40Z)
• Instruct and Extract: Instruction Tuning for On-Demand Information Extraction [86.29491354355356]
  On-Demand Information extractは、現実世界のユーザのパーソナライズされた要求を満たすことを目的としている。 InstructIEというベンチマークを、自動生成したトレーニングデータと、人手による注釈付きテストセットの両方を含む形で提示する。 InstructIE 上に構築した On-Demand Information Extractor, ODIE をさらに発展させる。
  論文  参考訳（メタデータ） (2023-10-24T17:54:25Z)
• TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
  Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。 分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
  論文  参考訳（メタデータ） (2023-06-06T03:37:41Z)
• Mixed-modality Representation Learning and Pre-training for Joint Table-and-Text Retrieval in OpenQA [85.17249272519626]
  最適化された OpenQA Table-Text Retriever (OTTeR) を提案する。 検索中心の混合モード合成事前学習を行う。 OTTeRはOTT-QAデータセット上でのテーブル・アンド・テキスト検索の性能を大幅に改善する。
  論文  参考訳（メタデータ） (2022-10-11T07:04:39Z)
• TAGPRIME: A Unified Framework for Relational Structure Extraction [71.88926365652034]
  TAGPRIMEは、与えられた条件に関する情報を入力テキストに追加するシーケンスタグ付けモデルである。 事前学習された言語モデルにおける自己認識機構により、プライミングワードは、出力された文脈化された表現に、与えられた条件に関するより多くの情報を含む。 5つの異なる言語にまたがる10のデータセットをカバーする3つのタスクに関する大規模な実験と分析は、TAGPRIMEの汎用性と有効性を示している。
  論文  参考訳（メタデータ） (2022-05-25T08:57:46Z)
• ASET: Ad-hoc Structured Exploration of Text Collections [Extended Abstract] [12.061875724791648]
  ASETは、ユーザーがアドホックな方法でテキストコレクションの構造化された探索を行うことを可能にする。 実世界のテキストコレクションから構造化されたデータを,事前の抽出パイプラインを設計することなく,高品質に抽出できることを示す。
  論文  参考訳（メタデータ） (2022-03-09T12:02:17Z)

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。