論文の概要: A Compact Formula-Aware Spreadsheet Abstraction for Large Language Models

• arxiv url: http://arxiv.org/abs/2611.03705v1
• Date: Fri, 30 Oct 2026 10:52:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:29:22.761444
• Title: A Compact Formula-Aware Spreadsheet Abstraction for Large Language Models
• Title（参考訳）: 大規模言語モデルのためのコンパクトなフォーミュラ・アウェア・スプレッドシート抽象化
• Abstract要約: 大規模言語モデル(LLM)は、スプレッドシートモデルの構築、公式生成、データ解析などのタスクでスプレッドシートユーザを支援するために、ますます使われてきている。 本稿では,その位置,型,R1C1式パターン,選択された境界値などを通じて,大きな均一範囲を表現できるコンパクトな式認識スプレッドシートの抽象化を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Large language models (LLMs) are increasingly used to assist spreadsheet users with tasks such as spreadsheet model construction, formula generation, and data analysis, yet their interaction with real-world spreadsheets remains limited by the mismatch between the structure of spreadsheets and the sequential textual representations typically provided to LLMs. We propose a compact formula-aware spreadsheet abstraction that represents large homogeneous ranges through their positions, types, R1C1 formula patterns, and selected boundary values. An efficient algorithm detects and structures these ranges before a textual serialization is supplied to an LLM. The abstraction is provided to the LLM before detailed spreadsheet content is submitted, improving the accuracy and efficiency of spreadsheet processing while reducing token consumption. We evaluate the method on 50 spreadsheet-query cases. The evaluation shows that the abstraction alone was sufficient to answer some queries. When additional spreadsheet content is required, the abstraction reduces the amount of data that must be submitted to the LLM, thereby reducing token consumption. The abstraction layer also improves the reliability and accuracy of spreadsheet processing. We conclude by discussing further techniques for combining spreadsheet static analysis with artificial intelligence to improve the reliability, accuracy, and efficiency of AI assisted spreadsheet tasks.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、スプレッドシートモデルの構築、公式生成、データ解析などのタスクでスプレッドシートのユーザを支援するために使われることが多いが、実際のスプレッドシートとの相互作用は、スプレッドシートの構造とLLMに典型的に提供されるシーケンシャルテキスト表現とのミスマッチによって制限されている。 本稿では,その位置,型,R1C1式パターン,選択された境界値などを通じて,大きな均一範囲を表現できるコンパクトな式認識スプレッドシートの抽象化を提案する。 効率的なアルゴリズムは、テキストシリアライゼーションがLLMに供給される前にこれらの範囲を検出し、構造する。 この抽象化は、詳細なスプレッドシートの内容が提出される前にLLMに提供され、トークン消費を低減しつつ、スプレッドシート処理の精度と効率を向上させる。 本手法を50例のスプレッドシートクエリーで検討した。 評価の結果、抽象化だけでは、いくつかのクエリに答えるには十分であることがわかった。 追加のスプレッドシートコンテンツが必要な場合、この抽象化はLLMに送信しなければならないデータの量を削減し、トークン消費を減らす。 抽象化層は、スプレッドシート処理の信頼性と精度も向上する。 我々は、スプレッドシート静的解析を人工知能と組み合わせることで、AI支援スプレッドシートタスクの信頼性、精度、効率を向上させることによって、さらなる技術について議論する。

関連論文リスト

• Towards Robust Real-World Spreadsheet Understanding with Multi-Agent Multi-Format Reasoning [43.91509663025854]
  スプレッドシートは、企業報告、監査、科学データ管理といった現実世界のアプリケーションの中心である。 既存の大きな言語モデルベースのアプローチでは、テーブルを平易なテキストとして扱い、重要なレイアウトキューや視覚的意味論を見渡すのが一般的である。 本稿では,ステップバイステップの読み出しと推論のパラダイムを取り入れた,スプレッドシート理解のための2段階のマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-14T04:47:21Z)
• SpreadsheetArena: Decomposing Preference in LLM Generation of Spreadsheet Workbooks [8.306042091008957]
  大規模言語モデル (LLM) は、構造化されたアーティファクトの生成と操作のタスクが増えている。 タスク上でモデルのパフォーマンスを評価するプラットフォームであるSpreadsheetArenaを紹介する。 好みのスプレッドシートのスタイラス的,構造的,機能的特徴はユースケースによって大きく異なる。
  論文  参考訳（メタデータ） (2026-02-16T14:24:36Z)
• SODBench: A Large Language Model Approach to Documenting Spreadsheet Operations [1.3669571918482655]
  本稿では,スプレッドシート操作から人間が読める説明を生成するAIタスクである,スプレッドシート操作文書(SOD)を紹介する。 本稿では,111のスプレッドシート操作コードスニペットのベンチマークを,対応する自然言語要約と組み合わせて提示する。 以上の結果から,LSMは正確なスプレッドシートドキュメンテーションを生成できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-10-22T01:36:13Z)
• Extract Information from Hybrid Long Documents Leveraging LLMs: A Framework and Dataset [52.286323454512996]
  大規模言語モデル(LLM)は、テキストと表のデータを含むハイブリッドテキストを理解し解析することができる。 本研究では,LLMがHLD(Hybrid Long Document)を処理できるようにするための自動情報抽出フレームワーク(AIE)を提案し,HLDからの情報抽出の4つの重要な側面を分析する実験を行った。 HLDにおけるデータセット不足の問題に対処し、今後の作業を支援するために、金融レポート数値抽出(FINE)データセットを提案する。
  論文  参考訳（メタデータ） (2024-12-28T07:54:14Z)
• SpreadsheetLLM: Encoding Spreadsheets for Large Language Models [44.08092362611575]
  本研究では,スプレッドシート上での大規模言語モデル(LLM)の効率的な符号化手法であるSpreadsheetLLMを紹介する。 LLMのスプレッドシートを効果的に圧縮する革新的な符号化フレームワークである SheetCompressor を開発した。 シート圧縮機を用いた微調整LDMは平均圧縮比25倍であり、最先端の78.9%のF1スコアを達成し、既存の最高のモデルよりも12.3%上回っている。
  論文  参考訳（メタデータ） (2024-07-12T06:34:21Z)
• TableLLM: Enabling Tabular Data Manipulation by LLMs in Real Office Usage Scenarios [51.66718740300016]
  TableLLMは80億のパラメータを持つ堅牢な大規模言語モデル(LLM)である。 TableLLMはデータ操作タスクを巧みに扱うために構築されている。 我々は、ユーザインタラクションのためのモデルチェックポイント、ソースコード、ベンチマーク、Webアプリケーションをリリースした。
  論文  参考訳（メタデータ） (2024-03-28T11:21:12Z)
• 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)

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。