Fugu-MT 論文翻訳(概要): Zero-Shot Tabular Learning via Hypergraph Reasoning with LLMs

論文の概要: Zero-Shot Tabular Learning via Hypergraph Reasoning with LLMs

arxiv url: http://arxiv.org/abs/2610.23923v1
Date: Tue, 06 Oct 2026 08:48:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 15:33:26.933913
Title: Zero-Shot Tabular Learning via Hypergraph Reasoning with LLMs
Title（参考訳）: LLMを用いたハイパーグラフ推論によるゼロショット語彙学習
Abstract要約: タブラルデータは、医療やファイナンスといったさまざまな領域で広く利用されている。表型データのための効率的な関係対応ゼロショットフレームワークTABHGR+を提案する。データセットサイズに依存しない一定の数のLLMコールしか必要としないため、TABHGR+は推論コストを大幅に削減する。
参考スコア（独自算出の注目度）: 33.930224200799366
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tabular data are prevalent across diverse domains such as healthcare and finance. Zero-shot tabular learning aims to make predictions without labeled data. However, existing LLM-based approaches rely on row-wise prompting, resulting in high inference cost and limited use of inter-row dependencies. In this work, we propose TABHGR+, an efficient relation-aware zero-shot framework for tabular data that leverages LLM-generated rules to label and group rows. Specifically, based on column and task descriptions, we use LLMs to generate rules that assign weak labels to all rows. To refine these noisy weak labels, we construct a hypergraph by grouping semantically related rows using LLM-generated rules and perform hypergraph-based label propagation. Lastly, we further enhance the LLM-generated hypergraph for propagation, which is potentially sub-optimal, by assigning label-adaptive weights to hyperedges. By requiring only a constant number of LLM calls independent of dataset size, TABHGR+ substantially reduces inference cost while achieving higher classification accuracy than zero-shot and strong few-shot baselines.
Abstract（参考訳）: タブラルデータは、医療やファイナンスといったさまざまな領域で広く使われている。ゼロショットの表型学習は、ラベル付きデータなしで予測することを目的としている。しかし、既存のLLMベースのアプローチは行単位でのプロンプトに依存しており、高い推論コストとrow間の依存関係の使用が制限される。本研究では,ラベルとグループ行に LLM 生成規則を利用する表型データのための効率的な関係対応ゼロショットフレームワーク TABHGR+ を提案する。具体的には、列とタスクの記述に基づいて、全ての行に弱いラベルを割り当てるルールを生成するためにLLMを使用します。これらのノイズの弱いラベルを改良するために、LLM生成規則を用いて意味的関連行をグループ化してハイパーグラフを構築し、ハイパーグラフに基づくラベル伝搬を行う。最後に、ラベル適応重みをハイパーエッジに割り当てることにより、潜在的に最適化された伝播のためのLLM生成ハイパーグラフをさらに強化する。データセットサイズに依存しないLLMコールを一定数だけ必要とすることで、TABHGR+は、ゼロショットや強力な数ショットベースラインよりも高い分類精度を達成しつつ、推論コストを大幅に削減する。

関連論文リスト

TILE: Bridging LLMs and Table Foundation Models for Tabular Learning with Strings [17.37104505416496]
テーブル基礎モデル (TFMs) は数値テーブル上では優れるが、数値的にエンコードされる文字列を必要とする。大規模言語モデル(LLM)は意味的知識を持っているが、表形式の予測には設計されていない。 LLM とテーブル間のインタフェースは LLM 自体と同じくらい重要であることを示す。
論文参考訳（メタデータ） (2026-10-12T16:29:07Z)
Where LLM Annotators Fail: Label-Free Learning on Graphs with LLMs [25.577309437856428]
クラスタアウェアノイズ推定(CANE)は,クラスタ条件LLMの信頼性を基礎的な真理ラベルなしで評価する,ラベルフリーな学習フレームワークである。 CANEは、最強のラベルなしベースラインよりも改善されており、クラスタ条件のノイズがより強いデータセットに対する最大のゲインがある。
論文参考訳（メタデータ） (2026-05-27T03:41:04Z)
Logic-Regularized Verifier Elicits Reasoning from LLMs [63.65875399266337]
論理規則で正規化された教師なしの検証器であるLOVERを提案する。ローバーは、定理を二項潜在変数として扱い、内部の活性化を活用し、3つの論理的制約を課す。ローバーは教師なしのベースラインを大幅に上回る。
論文参考訳（メタデータ） (2026-05-07T09:03:49Z)
TabGemma: Text-Based Tabular ICL via LLM using Continued Pretraining and Retrieval [1.4995278030955144]
本稿では,行をシーケンスとして扱うスキーマに依存しないインコンテキスト学習ツールであるTabGemmaを紹介する。推測には、コンパクトなn-gramベースの検索を用いて、128kのウィンドウに収まる情報的例を選択する。回帰に関しては、小さなサンプルサイズで競合するが、データが大きくなるにつれて従来のアプローチに追随する。
論文参考訳（メタデータ） (2025-11-05T15:51:03Z)
From Cross-Task Examples to In-Task Prompts: A Graph-Based Pseudo-Labeling Framework for In-context Learning [55.90498988440303]
In-context Learning (ICL) は、大きな言語モデルでパラメータを更新せずに新しいタスクを実行できる。データラベリングのための言語モデルに依存するコスト効率のよい2段階パイプラインを提案する。 5つのタスクにまたがる実験により,ラベリングコストを下げながら,本手法が高い性能を達成することを示す。
論文参考訳（メタデータ） (2025-10-28T15:37:51Z)
Dynamic Bundling with Large Language Models for Zero-Shot Inference on Text-Attributed Graphs [56.73437142790496]
大規模言語モデル(LLM)は多くのゼロショット学習問題で使われている。 LLMは、グラフトポロジから分離されたテキスト属性と競合する。これらは、情報不足とLLMの固有の弱点の両方により、信頼性の低い予測をもたらす。
論文参考訳（メタデータ） (2025-05-23T08:12:16Z)
Leveraging LLM Embeddings for Cross Dataset Label Alignment and Zero Shot Music Emotion Prediction [6.806050368211496]
本稿では,複数データセットにまたがるラベルアライメントと,新たなカテゴリにおけるゼロショット予測にLarge Language Model (LLM)埋め込みを利用する音楽感情認識の新しい手法を提案する。我々は,新たなデータセットに対してゼロショット推論を行うことにより,新たなトレーニングを伴わずに,未知のラベルに一般化できることを示す。
論文参考訳（メタデータ） (2024-10-15T11:48:31Z)
In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-04T03:39:28Z)
Tabular Transfer Learning via Prompting LLMs [52.96022335067357]
大規模言語モデル(LLM)を用いたラベル付き(あるいは異種)ソースデータを利用した新しいフレームワークPrompt to Transfer (P2T)を提案する。 P2Tは、ターゲットタスク機能と強く相関しているソースデータセットの列の特徴を特定し、ターゲットタスクに関連する例を作成し、プロンプトの擬似宣言を生成する。
論文参考訳（メタデータ） (2024-08-09T11:30:52Z)
FollowBench: A Multi-level Fine-grained Constraints Following Benchmark for Large Language Models [79.62191017182518]
FollowBenchは、大規模言語モデルのベンチマークに続くきめ細かい制約のベンチマークである。本稿では,初期命令に段階的に1つの制約を付加するマルチレベル機構を提案する。 FollowBench上での13のLLMの評価により,LLMの弱さと今後の研究への道のりを示す。
論文参考訳（メタデータ） (2023-10-31T12:32:38Z)

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。