論文の概要: Structured Composition of Verifiable Atomic Insights for Table-to-Report Generation

• arxiv url: http://arxiv.org/abs/2610.03525v1
• Date: Fri, 02 Oct 2026 16:14:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.473673
• Title: Structured Composition of Verifiable Atomic Insights for Table-to-Report Generation
• Title（参考訳）: テーブル・ツー・レポーティング・ジェネレーションのための検証可能な原子インサイトの構造構成
• Abstract要約: テーブルツーレポート生成は、自動データサイエンスと意思決定支援に不可欠な機能である。 既存のメソッドは、シーケンシャルでリアクティブなデータエージェントや直接Large Language Model(LLM)生成に依存している。 原子的証拠の構成として洞察発見を再構成するComInsightを提案する。
• 参考スコア（独自算出の注目度）: 7.502569291207596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Table-to-report generation refers to the task of automatically generating article-level analyt- ical reports from relational tables and is an essential capability for automated data science and decision support. Its central challenge lies in systematically discovering verifiable com- posite insights across tables, attributes, and analytical perspectives, and organizing them into coherent, complete, and traceable evidence chains. Existing methods primarily rely on sequential, reactive data agents or direct Large Language Model(LLM) generation. They suffer from exploration bias: early local observations constrain subsequent actions, causing models to focus prematurely on local analyzes and miss cross-table or cross-dimensional evidence. We propose ComInsight, which reformulates insight discovery as the composition of atomic evidences. We first define an atomic insight as the smallest executable analytical unit conforming to a predefined analysis pattern and enumerate all valid atomic insights from database schema and content. These atoms are then organized into a multi-relational insight graph, where nodes represent verified data facts and edges encode logical, temporal, or hierarchical relations. Finally, a set of composition operators systematically fuses atomic nodes into higher-order composite conclusions. Every composite output is accompanied by executable SQL and fine-grained provenance, ensuring full verifiability. Across three benchmarks InsightBench, DDR-Bench, and T2R-Bench, ComInsight consistently outperforms strong baselines in factual correctness, novelty, and structural completeness. We believe ComInsight offers a reliable, efficient, and explainable path toward table-to-report generation.
• Abstract（参考訳）: テーブル・トゥ・レポート生成(Table-to-Report generation)とは、リレーショナルテーブルから記事レベルのICレポートを自動的に生成するタスクであり、自動データサイエンスと意思決定支援に不可欠な機能である。 その中心的な課題は、テーブル、属性、分析的な視点にまたがる検証可能なコンパスの洞察を体系的に発見し、それらを一貫性のある完全かつ追跡可能なエビデンスチェーンにまとめることである。 既存のメソッドは主に、シーケンシャルでリアクティブなデータエージェントや直接Large Language Model(LLM)生成に依存している。 初期の局所的な観測ではその後の行動が制限され、モデルが局所的な分析に早めに焦点を合わせ、断続的な証拠や横断的な証拠を見逃す。 原子的証拠の構成として洞察発見を再構成するComInsightを提案する。 まず、あらかじめ定義された分析パターンに準拠した最小の実行可能な分析単位として原子インサイトを定義し、データベーススキーマとコンテンツから有効なすべての原子インサイトを列挙する。 これらの原子はマルチリレーショナルなインサイトグラフにまとめられ、ノードは検証されたデータ事実とエッジを論理的、時間的、階層的な関係を符号化する。 最後に、一連の合成作用素は、原子ノードを高次合成結論に体系的に融合させる。 すべての複合出力には、実行可能SQLときめ細かい証明が伴い、完全な検証性を保証する。 InsightBench、DDR-Bench、T2R-Benchの3つのベンチマークで、ComInsightは事実上の正確性、新規性、構造的完全性において、一貫して強力なベースラインを上回っている。 ComInsightは、テーブル・ツー・レポーティング・ジェネレーションへの信頼性、効率的、説明可能なパスを提供すると考えている。

関連論文リスト

• TabJoinBench: A Benchmark for Joinable Table Discovery [10.53963195354203]
  Join Discoveryは、補完的な情報でクエリテーブルを拡張可能な、大規模なデータリポジトリからテーブルを特定することを目的としている。 セマンティック、リレーショナル、ハイブリッドデータレイクシナリオにわたる結合発見手法を評価するベンチマークであるTabJoinBenchを紹介する。
  論文  参考訳（メタデータ） (2026-09-30T23:22:09Z)
• Monte Carlo Tree Search for Table-to-Multimodal Report Generation [15.410824932061011]
  本稿では,マルチモーダルテーブル・ツー・レポート生成を構造化された検索空間上でのプログレッシブな構築プロセスとして定式化するモンテカルロ木探索(MCTS)駆動のフレームワークを提案する。 我々は、LCMを用いてMCTS中にステップバイステップの推論とアクションを生成し、各ノードにコンテキスト認識・コヒーレントレポート構築のための推論軌跡を格納する。 MMRBenchの実験では、MCTS-Reportは構造的完全性、数値的正確性、チャートテキストのアライメント、洞察的ノベルティにおいて、77.9のスコアを達成し、強いベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2026-08-04T15:52:05Z)
• AtomicRAG: Atom-Entity Graphs for Retrieval-Augmented Generation [36.2420491060406]
  最近のGraphRAG法では、グラフ構造をテキストインデックスと検索に組み込んでいる。 知識表現と索引付けのためのより正確で信頼性の高いアーキテクチャを提案する。 我々のアプローチでは、知識は粗粒のテキストチャンクではなく、知識原子として保存される。
  論文  参考訳（メタデータ） (2026-02-10T05:57:47Z)
• DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
  本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。 一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。 その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-01-07T03:07:52Z)
• Same Content, Different Representations: A Controlled Study for Table QA [15.896655757672441]
  リアルタイム設定におけるテーブル質問回答(Table QA)は、構造化されたデータベースとテキストフィールドを含む半構造化されたテーブルの両方で操作する必要がある。 既存のベンチマークは固定データ形式に結びついており、表現自体がモデルパフォーマンスに与える影響を体系的に検討していない。 コンテント定数を一定に保ちながら構造を変化させることによりテーブル表現の役割を分離する最初の制御された研究について述べる。
  論文  参考訳（メタデータ） (2025-09-26T22:33:19Z)
• RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models [83.6013616017646]
  RelDiffは、外部キーグラフ構造を明示的にモデル化することによって完全な関係データベースを合成する新しい拡散生成モデルである。 RelDiffは、現実的で一貫性のある合成リレーショナルデータベースの作成において、従来手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-31T21:01:02Z)
• Map&Make: Schema Guided Text to Table Generation [41.52038779169547]
  テキスト・ツー・テイブル・ジェネレーションは情報検索に欠かせない課題である。 テキストを命題のアトミックステートメントに"識別"する汎用的なアプローチであるMap&Makeを導入する。 このアプローチは、RotowireとLivesumという2つの挑戦的なデータセットに対してテストされています。
  論文  参考訳（メタデータ） (2025-05-29T07:12:46Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)

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。