論文の概要: LTEM: LLM-Friendly Table-Enhanced Markdown for Table Understanding and Generation
- arxiv url: http://arxiv.org/abs/2610.29188v1
- Date: Wed, 21 Oct 2026 04:18:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.203981
- Title: LTEM: LLM-Friendly Table-Enhanced Markdown for Table Understanding and Generation
- Title（参考訳）: LTEM:テーブル理解と生成のためのLLM対応テーブル拡張マークダウン
- Abstract要約: LTEMは公式に指定された最小限のマークダウン拡張であり、スパンと階層ヘッダを明示的にエンコードする。
LTEMはHTMLに匹敵する精度を達成し、良好なトークントレードオフを提供し、HTMLよりもはるかに少ない無効応答を生成することを示す。
LLM-tableインタラクションの今後の研究を支援するため、分類学、ベンチマーク、フォーマット仕様をリリースする。
- 参考スコア（独自算出の注目度）: 3.722381137781548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tables in real-world documents, including scientific papers, financial reports, and statistical summaries, frequently use merged cells, multi-level headers, and sectioned layouts. Yet the lightweight formats LLMs handle best (Markdown, CSV) cannot express these structures, while expressive formats (HTML, LaTeX) impose excessive token cost and parsing complexity. To enable systematic analysis of this trade-off, we introduce a taxonomy decomposing table structure into six atomic features (F1-F6) and corresponding complexity levels (L1-L6), and construct STB (Synthetic Table Benchmark), a controlled benchmark with 1,089 tables systematically distributed across complexity levels. Using this framework, we propose LTEM (LLM-friendly Table-Enhanced Markdown), a formally specified, minimal extension of Markdown that explicitly encodes spans and hierarchical headers. Experiments across five state-of-the-art LLMs show that LTEM achieves accuracy comparable to HTML, offers a favorable accuracy-token trade-off relative to HTML and LaTeX, and produces substantially fewer invalid responses than LaTeX; for table generation, LTEM is comparable to MultiMarkdown though HTML is best. We release our taxonomy, benchmark, and format specification to support future research on LLM-table interaction.
- Abstract（参考訳）: 科学論文、財務報告、統計的な要約を含む現実世界の文書の表は、しばしば統合されたセル、マルチレベルヘッダ、分割されたレイアウトを使用する。
しかし LLM が処理する軽量なフォーマット (Markdown, CSV) はこれらの構造を表現できない。
このトレードオフを体系的に解析するために、テーブル構造を6つの原子的特徴(F1-F6)とそれに対応する複雑性レベル(L1-L6)に分解し、複雑性レベルを体系的に分散した1,089のテーブルを持つ制御ベンチマークであるSTB(Synthetic Table Benchmark)を構築する。
このフレームワークを用いて,LTEM(LLMフレンドリーなテーブル拡張マークダウン)を提案する。
最先端のLLM5つの実験によると、LTEMはHTMLと同等の精度を達成し、HTMLとLaTeXに対して良好な精度でトレードオフを提供し、LaTeXよりもかなり少ない無効応答を生成する。
LLM-tableインタラクションの今後の研究を支援するため、分類学、ベンチマーク、フォーマット仕様をリリースする。
関連論文リスト
- Table as a Modality for Large Language Models [28.392792653645998]
提案したStructQAベンチマークで探索実験を行った。
本稿では,テーブルをテキストトークンと統合した独立したモダリティとして扱うためのイデオロギーを持つTAMOを提案する。
論文 参考訳（メタデータ） (2025-11-30T15:59:56Z) - Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - TableLoRA: Low-rank Adaptation on Table Structure Understanding for Large Language Models [57.005158277893194]
TableLoRA は、PEFT における LLM のテーブル構造理解を改善するために設計されたモジュールである。
テーブルを特別なトークンエンコーダでシリアライズするための特別なトークンを組み込み、2D LoRAを使ってセル位置の低ランク情報をエンコードする。
論文 参考訳（メタデータ） (2025-03-06T12:50:14Z) - Struc-Bench: Are Large Language Models Really Good at Generating Complex Structured Data? [49.688233418425995]
Struc-Benchは、大きな言語モデル(LLM)を特徴とする包括的なベンチマークである。
Pスコア(Prompting Score)とHスコア(Heuristical Score)の2つの革新的な指標を提案する。
実験の結果,LLaMA-7Bに構造認識の微調整を適用すると,性能が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:31:58Z) - Table Meets LLM: Can Large Language Models Understand Structured Table Data? A Benchmark and Empirical Study [44.39031420687302]
大規模言語モデル(LLM)は、自然言語(NL)に関連する課題を解決するために、数ショットの推論器として魅力的になってきている。
LLMの構造的理解能力を評価するためのベンチマークを設計して,これを理解しようと試みる。
重要な値や範囲識別など,効率的な構造的プロンプトのための$textitself-augmentation$を提案する。
論文 参考訳（メタデータ） (2023-05-22T14:23:46Z)
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。