論文の概要: fxBench: Evaluating and Understanding Formula Suggestions in Spreadsheets
- arxiv url: http://arxiv.org/abs/2610.24729v1
- Date: Sat, 17 Oct 2026 14:49:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 16:45:03.682056
- Title: fxBench: Evaluating and Understanding Formula Suggestions in Spreadsheets
- Title（参考訳）: fxBench: スプレッドシートにおけるフォーミュラ提案の評価と理解
- Abstract要約: プロアクティブな公式提案により、生産性が大幅に向上し、人気のあるスプレッドシートソフトウェアで利用できるようになった。
適切なコンテキストを収集し、機械学習モデルに表現し、正しい公式を書かなければならない。
- 参考スコア（独自算出の注目度）: 12.388167728308053
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Spreadsheets are among the most widely used tools for computations, and formulas are their core building blocks. Besides agentic spreadsheet tools, proactive formula suggestions enable significant productivity gains and are now available in popular spreadsheet software (Microsoft Excel and Google Sheets). Such suggestions pose interesting challenges: the right context must be collected and represented for a machine learning model, which must then be able to write a correct formula, in a way that is fast and cheap enough to trigger on every = (or subsequent keystrokes for auto-completion) without taking users out of their editing flow. Surprisingly, there is no public benchmark for formula suggestions on real spreadsheets. In this paper, we therefore (1) introduce fxBench as a manually curated benchmark of 503 formula suggestion tasks based on Sheetpedia, (2) break down the formula suggestion problem into four capabilities (gather context, understand context, understand intent, write formula) that a formula suggestion system requires, and (3) evaluate existing and new approaches to understand bottlenecks in these capabilities that pose interesting research directions. Specifically, we annotate each benchmark with the cells that describe intent to determine the theoretical performance limit of a given context selection strategy, we evaluate performance of small and large models on different representations of context, including a dense format with high theoretical coverage at low token counts, and we fine-tune smaller language models to show that we can learn to understand such dense formats. Additionally, we perform quantitative and qualitative analysis on failure modes to understand bottlenecks in the formula writing capability; the best configuration only achieved 58.8% correct suggestions.
- Abstract（参考訳）: スプレッドシートは計算の最も広く使われているツールの一つであり、公式はその中核となるビルディングブロックである。
エージェントスプレッドシートツール以外にも、プロアクティブな公式提案によって生産性が大幅に向上し、人気のあるスプレッドシートソフトウェア(Microsoft ExcelとGoogle Sheets)で利用できるようになった。
適切なコンテキストを収集し、機械学習モデルに表現し、正しい公式を書かなければならない。編集フローからユーザを外すことなく、すべての = (あるいはその後の自動補完のためのキーストローク)をトリガーできるほど高速で安価な方法で、正しい公式を書かなければならない。
驚いたことに、実際のスプレッドシートに公式提案の公開ベンチマークはない。
そこで本研究では,(1)シートペディアに基づく503の定式提案タスクを手作業でキュレートしたベンチマークとしてfxBenchを導入し,(2)定式提案システムを要求される4つの機能(文脈,文脈,意図,書式)に分解し,(3)これらの機能におけるボトルネックを理解するための既存および新たなアプローチを評価する。
具体的には、各ベンチマークに、与えられたコンテキスト選択戦略の理論的性能限界を決定する意図を記述したセルをアノテートし、低トークン数で高い理論的カバレッジを持つ高密度なフォーマットを含む、コンテキストの表現における小規模および大規模モデルの性能を評価し、そのような高密度なフォーマットを理解することができることを示すために、より小さな言語モデルを微調整する。
さらに、公式記述能力のボトルネックを理解するために、障害モードを定量的に定性的に分析し、最適な構成は58.8%の正しい提案しか得られない。
関連論文リスト
- TopBench: A Benchmark for Implicit Prediction and Reasoning over Tabular Question Answering [80.93487993878836]
現実世界のクエリの一般的なクラスは暗黙的に予測され、単に検索するのではなく、歴史的パターンから観測されていない回答を推測する必要がある。
これらのクエリには、潜在意図を認識することと、大規模テーブル上での信頼性の高い予測推論という2つの課題がある。
単点予測から意思決定,処理効果分析,複雑な推論に至るまで,4つのサブタスクにわたる779のサンプルからなるベンチマークであるTopBenchを紹介する。
論文 参考訳（メタデータ） (2026-04-30T16:22:51Z) - SheetBrain: A Neuro-Symbolic Agent for Accurate Reasoning over Complex and Large Spreadsheets [37.47629183214491]
SheetBrainは、スプレッドシート上の推論のための神経シンボリックな二重エージェントフレームワークである。
スプレッドシートの質問応答と操作タスクの両方をサポートする。
SheetBenchは、大規模で、マルチテーブルで、構造的に複雑なスプレッドシートをターゲットにした、新しいベンチマークである。
論文 参考訳（メタデータ） (2025-10-22T05:09:44Z) - Auto-Formula: Recommend Formulas in Spreadsheets using Contrastive Learning for Table Representations [36.2969566996675]
我々は,ユーザがターゲットのスプレッドシートセルで書きたい公式を正確に予測するオートフォーミュラシステムを開発した。
コンピュータビジョンの「類似顔認識」にインスパイアされたコントラスト学習技術を用いている。
論文 参考訳（メタデータ） (2024-04-19T03:28:18Z) - A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。
本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-15T12:05:44Z) - NL2Formula: Generating Spreadsheet Formulas from Natural Language
Queries [29.33149993368329]
本稿では,NL2Formulaと呼ばれる新しいベンチマークタスクを紹介する。
目的は、自然言語(NL)クエリを入力として、スプレッドシートテーブル上にグラウンドされた実行可能な式を生成することである。
我々は,70,799対のNLクエリと対応するスプレッドシート公式からなる包括的データセットを構築し,21,670のテーブルと37種類の公式関数を網羅した。
論文 参考訳（メタデータ） (2024-02-20T05:58:05Z) - Explanation Selection Using Unlabeled Data for Chain-of-Thought
Prompting [80.9896041501715]
非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。
本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
論文 参考訳（メタデータ） (2023-02-09T18:02:34Z) - FLAME: A small language model for spreadsheet formulas [25.667479554632735]
本稿では,Excel 公式に特化して訓練されたトランスフォーマーモデル FLAME を提案する。
我々はスケッチデデュープリケーションを使用し、Excel固有の式トークンを導入し、マスキングスパン予測のドメイン固有のバージョンを使用する。
FLAMEは, 補修, 補修, 類似性に基づく定式検索について評価する。
論文 参考訳（メタデータ） (2023-01-31T17:29:43Z) - Dynamic Prompt Learning via Policy Gradient for Semi-structured
Mathematical Reasoning [150.17907456113537]
数学的な推論を必要とする38,431のグレードレベルの問題を含む新しいデータセットであるTabular Math Word Problems (TabMWP)を提案する。
我々は,GPT-3モデルを含む,TabMWP上での事前学習モデルの評価を行った。
本稿では、ポリシー勾配を利用して、少量のトレーニングデータからコンテキスト内サンプルを選択する新しいアプローチ、PromptPGを提案する。
論文 参考訳（メタデータ） (2022-09-29T08:01:04Z) - Spreadsheet computing with Finite Domain Constraint Enhancements [0.0]
本稿では,有限制約解法をスプレッドシート計算パラダイムにシームレスに組み込んだフレームワークを提案する。
このフレームワークは制約解決のためのインターフェースを提供し、スプレッドシートコンピューティングパラダイムをさらに強化する。
論文 参考訳（メタデータ） (2022-02-22T17:50:48Z) - SpreadsheetCoder: Formula Prediction from Semi-structured Context [70.41579328458116]
行ベースと列ベースの両方のフォーマットで表されるコンテキストを表現するために,BERTベースのモデルアーキテクチャを提案する。
我々はスプレッドシートの大きなデータセットでモデルをトレーニングし、SpreadsheetCoderが42.51%の予測精度でトップ1の予測を達成できることを実証した。
ルールベースのシステムと比較すると、SpreadsheetCoder 82%は、Google Sheetsで公式を作成する上で、より多くのユーザを支援する。
論文 参考訳（メタデータ） (2021-06-26T11:26:27Z) - Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。
我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
論文 参考訳（メタデータ） (2020-10-10T14:03:20Z)
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。