論文の概要: FICO: Find-Then-Compute for Corpus-Level Spreadsheet Question Answering

• arxiv url: http://arxiv.org/abs/2610.03958v1
• Date: Fri, 02 Oct 2026 19:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 21:23:11.104648
• Title: FICO: Find-Then-Compute for Corpus-Level Spreadsheet Question Answering
• Title（参考訳）: FICO: コーパスレベルのスプレッドシート質問回答のための検索アルゴリズム
• Abstract要約: Find-then-Mo (FiCo) はドキュメントの要約を検索し、類似のワークブックを曖昧にし、選択した全テーブル上で制約付き構造化クエリ言語を実行する。 DataBench (80,810の質問)では、FiCoは76.2%の精度で、TableRAGスタイルのベースラインより9.9ポイント高い。 508のMiTable質問では、FiCoは79.7%、接頭辞RAGは22.2%である。
• 参考スコア（独自算出の注目度）: 6.4443425508730625
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Question answering over spreadsheet collections requires finding the correct workbook and computing over complete tables. We introduce Find-then-Compute (FiCo), which retrieves document summaries, disambiguates similar workbooks, and executes constrained Structured Query Language (SQL) over the selected full table. On DataBench (80 datasets, 1,810 questions), FiCo reaches 76.2% accuracy: 9.9 points above a strong TableRAG-style baseline on the same frozen workbook choices (66.3%) under the tracks' prespecified evaluators, and 63.4 points above prefix RAG (12.8%). On 508 MiMoTable questions, FiCo reaches 79.7%, versus 22.2% for prefix RAG. Giving the strong baseline the gold workbook raises it from 66.3% to 76.3%, exposing a 10.0-point source-selection cost under fixed compute. Despite 95.1% document recall and 98.5% executable SQL, only 81.3% of questions execute on the gold workbook. FiCo's advantage comes from integrating semantic source selection with exact, schema-grounded computation.
• Abstract（参考訳）: スプレッドシートのコレクションに対する質問応答には、正しいワークブックと完全なテーブル上のコンピューティングを見つける必要がある。 本研究では、文書要約を検索し、類似のワークブックを曖昧にし、選択した全テーブル上で制約付き構造化クエリ言語(SQL)を実行するFiCoについて紹介する。 DataBench (80のデータセット、1,810の質問)では、FiCoは76.2%の精度に達し、トラックの既定評価値の下で同じ冷凍ワークブック選択(66.3%)で強力なTableRAGスタイルのベースラインより9.9ポイント、プレフィックスRAG(12.8%)より63.4ポイント高い。 508 MiMoTableの質問では、FiCoは79.7%、接頭辞RAGは22.2%である。 強いベースラインを与えると、ゴールドワークブックは66.3%から76.3%に上昇し、固定計算では10.0ポイントのソース選択コストがかかる。 95.1%のドキュメントリコールと98.5%の実行可能なSQLにもかかわらず、金のワークブック上では81.3%の質問しか実行されていない。 FiCoの利点は、セマンティックソースの選択と正確なスキーマ基底計算を統合することである。

関連論文リスト

• VIGIL: Verifier-Informed Gated Improvement Loop for Spreadsheet Question Answering [6.4443425508730625]
  企業エージェントは、すべての修正がシステムの振る舞いを書き換えることなく、遅延したフィードバックから改善すべきである。 コーパスレベルのスプレッドシート質問応答に対する連続的ハーネス学習について検討した。 金のワークブックと期待されたタイプが供給されたことにより、アンゲートとデュアルゲートのフルリプレイは79の文書に対して82.4%と82.0%の精度に達した。
  論文  参考訳（メタデータ） (2026-10-03T04:41:40Z)
• BudgetSchemaBench: A Budget-Swept Diagnostic for Schema Context in Text-to-SQL [1.6558929815405155]
  構造化されたソース上のデータエージェントは、データベーススキーマをモデルのコンテキストウィンドウに適合させなければなりません。 大規模なカタログは多くのデータベースと数千の列にまたがる可能性があるため、コスト制約はテーブルのカバレッジとシリアライズの詳細を選択する必要がある。 本稿では,BudgetBenchについて紹介する。
  論文  参考訳（メタデータ） (2026-09-08T03:38:47Z)
• WorkSurface-Bench: Benchmarking Enterprise Agents on Multi-Surface Knowledge Routing [10.956110208321556]
  我々は、この機能を表面ルーティングとして評価するためのベンチマークであるWorkSurface-Benchを紹介した。 これは、ペルソナスコープワークスペース-ベンチライトワークスペースから派生した1,151のアトミックタスクを含んでいる。 我々は、6つの制御されたエージェント設定で4つのモデルバックボーンを評価し、27,624個のプロトコルエラーフリーなトラジェクトリを得た。
  論文  参考訳（メタデータ） (2026-07-28T14:19:59Z)
• Finding the Right Tables and Columns: A Benchmark and Corpus-Adaptive Embeddings for SQL Schema Retrieval [9.741583305127994]
  我々は5つのテキストから言語へのデータセットをテーブルと列の粒度の両方で検索タスクとして再キャストした。 オフザシェルフテキストとコード埋め込みは、この設定に不十分に転送されることを示す。 本稿では,対象コーパスから直接自然言語クエリを合成するコーパス適応微調整を提案する。
  論文  参考訳（メタデータ） (2026-07-14T22:31:55Z)
• Agentic LLMs for Question Answering over Tabular Data [6.310433217813068]
  Tabular Data (Table QA) に対する質問回答は、現実世界のテーブルの構造、サイズ、データタイプが多様であることから、ユニークな課題を提示している。 本稿では,我々の方法論,実験結果,代替手法について詳述し,テーブルQAの強度と限界について考察する。
  論文  参考訳（メタデータ） (2025-09-11T08:12:38Z)
• 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)
• Is Table Retrieval a Solved Problem? Exploring Join-Aware Multi-Table Retrieval [52.592071689901196]
  本稿では,テーブル検索において,任意のクエリやデータベースに対して有用な結合関係を明らかにする手法を提案する。 提案手法は,F1スコアの最大9.3%,エンドツーエンドQAの最大5.4%の精度で,テーブル検索の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-04-15T15:55:01Z)
• Localize, Retrieve and Fuse: A Generalized Framework for Free-Form Question Answering over Tables [46.039687237878105]
  TableQAは、提供されたテーブルに座った質問に対する回答を生成することを目的としている。 テーブルからグラフへの変換,セルローカライズ,外部知識検索,テーブルとテキストの融合を提案する。 実験は、忠実で一貫性のある文を生成するためのTAG-QAの優れた能力を示す。
  論文  参考訳（メタデータ） (2023-09-20T03:52:34Z)
• TAT-QA: A Question Answering Benchmark on a Hybrid of Tabular and Textual Content in Finance [71.76018597965378]
  TAT-QAと呼ばれるタブラデータとテクスチャデータの両方を含む新しい大規模な質問応答データセットを構築します。 本稿では,テーブルとテキストの両方を推論可能な新しいQAモデルであるTAGOPを提案する。
  論文  参考訳（メタデータ） (2021-05-17T06:12:06Z)

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。