論文の概要: Table Serialization Determines Which Relations Language Models Preserve

• arxiv url: http://arxiv.org/abs/2610.24798v1
• Date: Sat, 17 Oct 2026 18:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:09:43.50575
• Title: Table Serialization Determines Which Relations Language Models Preserve
• Title（参考訳）: 言語モデルを保存するテーブルシリアライズ決定
• Abstract要約: テキストシリアライゼーションが命令調整言語モデルにおけるテーブルルックアップに与える影響について検討する。 我々は,同じ256セルテーブルを行長と列長で描画し,各ヘッダをその値の横に配置する。 3つのモデルにまたがって、より優れたフォーマットがテーブル形状で変化する。
• 参考スコア（独自算出の注目度）: 17.914884042484072
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study how text serialization affects table lookup in instruction-tuned language models. Our diagnostic asks the model to find the row containing a specified value under one named column, then return the value under another named column in that same row. We render the same synthetic 256-cell tables in row-major form and in column-major form with each header placed beside its values, while varying the table aspect ratio across five shapes. Across three models, the better format changes with table shape: row-major performs better on tall tables, whereas column-major performs better on wide tables. At 64 x 4, row-major leads by 42.3-54.0 percentage points; at 4 x 64, column-major leads by 35.0-59.0 points. Mapping wrong answers back to their source cells reveals a complementary error pattern: row-major tends to preserve the correct row but lose the target column, while column-major tends to preserve the correct column but lose the row. We use the term relational locality to describe this pattern: serialization keeps one relation locally available while making the other depend on positional alignment. A separate non-tabular ordering experiment supports this interpretation. Thus, apparent width-related failures in text-serialized tables depend on linearization, not table shape alone.
• Abstract（参考訳）: テキストシリアライゼーションが命令調整言語モデルにおけるテーブルルックアップに与える影響について検討する。 我々の診断では、1つの名前の列の下に指定された値を含む行を見つけて、その行で別の名前の列の下に値を返すように求めています。 我々は,同じ256セルテーブルを行長と列長で描画し,各ヘッダをその値の横に配置し,テーブルアスペクト比を5つの形状に変化させる。 行メイジャーは高いテーブルで、行メイジャーは高いテーブルで、列メイジャーは広いテーブルで、より良くパフォーマンスします。 64 x 4では42.3-54.0、64では35.0-59.0となる。 row-majorは正しい行を保存するが、ターゲット列を失う傾向があり、 column-majorは正しい列を保持するが、行を失う傾向にある。 直列化は1つの関係を局所的に利用でき、もう一方は位置アライメントに依存している。 別個の非語彙順序付け実験は、この解釈を支持する。 したがって、テキストシリアライズドテーブルの見かけの幅関連障害は、テーブル形状のみではなく、線形化に依存している。

関連論文リスト

• DeepTable: Structural Attention Biases and Tree Path Encoding for Hierarchical Table Understanding [10.761232681902394]
  大規模言語モデル(LLM)は、テーブル理解において強力な性能を示している。 LLMを用いたテーブル理解のための構造認識手法であるDeepTableを提案する。
  論文  参考訳（メタデータ） (2026-09-07T16:19:33Z)
• CORE-T: COherent REtrieval of Tables for Text-to-SQL [91.76918495375384]
  CORE-Tはスケーラブルでトレーニング不要なフレームワークで、テーブルに目的のメタデータを付加し、軽量なテーブル互換キャッシュをプリコンプリートする。 バード、スパイダー、MMQAを越えて、CORE-Tはテーブル選択F1を最大22.7ポイント改善し、最大42%のテーブルを検索する。
  論文  参考訳（メタデータ） (2026-01-19T14:51:23Z)
• UNJOIN: Enhancing Multi-Table Text-to-SQL Generation via Schema Simplification [50.59009084277447]
  論理生成からスキーマ要素の検索を分離するフレームワークUNJOINを紹介する。 最初の段階では、各列をテーブル名でプレフィックスすることで、データベース内のすべてのテーブルの列名を単一のテーブル表現にマージします。 第2段階では、クエリは、この単純化されたスキーマに基づいて生成され、JOIN、UNION、リレーショナルロジックを再構築することで、元のスキーマにマップされる。
  論文  参考訳（メタデータ） (2025-05-23T17:28:43Z)
• Tailoring Table Retrieval from a Field-aware Hybrid Matching Perspective [70.13748256886288]
  表検索はテキスト検索に比べて少ない。 異なるテーブルフィールドは、異なるマッチングの好みを持つ。 テーブル調整ハイブリドマッチングrEtriever(THYME)について紹介する。
  論文  参考訳（メタデータ） (2025-03-04T03:57:10Z)
• SQL-to-Schema Enhances Schema Linking in Text-to-SQL [15.6857201570992]
  テキストから音声へのメソッドでは、不要なテーブルや列をフィルタリングする必要がある。 これまでのアプローチでは、テーブルや列のソートが問題との関連性に基づいて行われてきた。 提案手法は,2段階に分けて提案するスキーマリンク方式である。
  論文  参考訳（メタデータ） (2024-05-15T12:22:48Z)
• WikiTableEdit: A Benchmark for Table Editing by Natural Language Instruction [56.196512595940334]
  本稿では,表編集作業におけるLarge Language Models(LLM)の性能について検討する。 Wikiデータセットから26,531のテーブルを活用し、6つの異なる基本操作のための自然言語命令を生成する。 WikiTableEditデータセット上でいくつかの代表的大規模言語モデルを評価し,その課題を実証する。
  論文  参考訳（メタデータ） (2024-03-05T13:33:12Z)
• CARTE: Pretraining and Transfer for Tabular Learning [10.155109224816334]
  このような対応を必要としないニューラルアーキテクチャを提案する。 結果として、マッチしていないバックグラウンドデータに基づいて事前トレーニングを行うことができる。 ベンチマークでは、CARTEが学習を促進し、ベースラインの堅実なセットを上回ることが示されている。
  論文  参考訳（メタデータ） (2024-02-26T18:00:29Z)
• SEMv2: Table Separation Line Detection Based on Instance Segmentation [96.36188168694781]
  SEMv2(SEM: Split, Embed, Merge)と呼ばれるテーブル構造認識器を提案する。 本稿では,テーブル分離ラインのインスタンスレベルの識別問題に対処し,条件付き畳み込みに基づくテーブル分離ライン検出戦略を提案する。 SEMv2を包括的に評価するために、iFLYTABと呼ばれるテーブル構造認識のためのより困難なデータセットも提示する。
  論文  参考訳（メタデータ） (2023-03-08T05:15:01Z)
• TableFormer: Robust Transformer Modeling for Table-Text Encoding [18.00127368618485]
  テーブル理解のための既存のモデルはテーブル構造の線形化を必要とし、行や列の順序は不要なバイアスとしてエンコードされる。 本研究では,テーブルテキストエンコーディングアーキテクチャであるTableFormerを提案する。
  論文  参考訳（メタデータ） (2022-03-01T07:23:06Z)
• TGRNet: A Table Graph Reconstruction Network for Table Structure Recognition [76.06530816349763]
  本稿では,表構造認識のためのエンドツーエンドのトレーニング可能な表グラフ再構成ネットワーク(TGRNet)を提案する。 具体的には,異なる細胞の空間的位置と論理的位置を共同で予測するために,細胞検出枝と細胞論理的位置分岐の2つの主枝を有する。
  論文  参考訳（メタデータ） (2021-06-20T01:57:05Z)

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。