A semantics-driven methodology for high-quality image annotation
University of Trento（特伦托大学）
本文提出vTelos，一种结合自然语言处理、知识表示与计算机视觉的语义驱动方法，通过显式化标注语义并利用WordNet层级来减少主观性，从而提升图像标注质量，并在ImageNet子集上得到验证。
2023-07-26 cs.AI cs.CV cs.MM
Beyond Distribution Matching: Semantics-Consistent Tabular Diffusion with Weak Semantic Priors
Jilin University（吉林大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
针对现有表格生成器忽视语义约束的问题，提出语义一致表格扩散框架，利用LLM提取列内语义和列间规则作为生成条件，在统一语义空间进行条件去噪，在六个基准上同时提升分布保真度与语义一致性。
2026-09-16 cs.AI cs.LG
Beyond Statistical Co-occurrence: Unlocking Intrinsic Semantics for Tabular Data Clustering
Department of Computer Science, Hong Kong Baptist University（香港浸会大学计算机科学系）；Department of Computer Science, Guangdong University of Technology（广东工业大学计算机科学系）
本文提出Tabular-Augmented Contrastive Clustering框架，通过LLMs将数据语义转化为文本锚点，结合对比学习和聚类目标提升表格数据聚类性能。
2026-04-13 cs.AI
Enhancing Tabular Learners with Context-Aware Semantic Embeddings
该研究提出CASE框架，结合LLMs语义理解与表格学习器统计能力，通过预填充Gemma 3表格语言模型KV缓存建立语义锚点，在CARTE等基准上显著提升表格学习器在语义丰富数据集的低数据场景性能。
2026-10-12 cs.AI cs.LG
SemTUI: a Framework for the Interactive Semantic Enrichment of Tabular Data
University of Milan-Bicocca（米兰比可卡大学）
数据集的大量可用性促进了\acrshort{ml}和\acrshort{ai}技术的使用，以收集见解，研究趋势，并预测数据世界中看不见的行为。今天，收集和整合来自不同来源的数据主要是一项手工活动，需要专家用户的知识，在时间和金钱方面都有很高的成本。因此，有必要使从许多不同来源收集和链接数据的过程负担得起，以使数据集准备好进行所需的分析。在这项工作中，我们提出了一个全面的框架，名为SemTUI的发展，使丰富的过程灵活，完整，有效地通过使用语义。该方法是为了促进外部服务的快速集成，以执行丰富的任务，如协调和扩展;并为用户提供一个图形界面，以支持额外的任务，如细化，以纠正模糊的结果提供自动丰富算法。任务驱动的用户评估证明SemTUI是可理解的，可用的，并且能够通过涉及具有不同技能和经验的人的用户测试，以很少的精力和时间实现表格丰富。
2022-03-17 cs.AI cs.DB
ConTextTab: A Semantics-Aware Tabular In-Context Learner
SAP France（SAP法国分公司）；SAP SE（SAP德国分公司）
本文提出ConTextTab，通过整合多模态专用嵌入与大规模真实数据训练，将语义理解融入表格原生ICL框架，在广泛基准上媲美SOTA并在CARTE基准上创新高。
2025-11-03 cs.AI cs.LG
CrowdTeacher: Robust Co-teaching with Noisy Answers & Sample-specific Perturbations for Tabular Data
Emory University（埃默里大学）
具有地面实况标签的样本在许多领域中可能并不总是可用的。虽然已经探索了从众包标签中学习，但现有模型仍然可能在稀疏，不可靠或发散的注释中失败。协同教学方法已经显示出有希望的改进计算机视觉问题的噪声标签，采用两个分类器训练彼此的置信样本在每一批。受在训练过程中分离自信和不确定样本的想法的启发，我们将其扩展到众包问题。我们的模型CrowdTeacher使用的思想是，输入空间模型中的扰动可以提高分类器对噪声标签的鲁棒性。将众包注释视为噪声标记的来源，我们基于来自聚合注释的确定性来扰动样本。受干扰的样本被输入到协同教学算法中，该算法经过调整以适应较小的表格数据。我们展示了使用CrowdTeacher在各种标签密度设置下对合成和真实数据集的预测能力的提升。我们的实验表明，我们提出的方法击败基线建模个别注释，然后将它们结合起来，方法同时学习分类器和推断真理标签，并通过共同的真理推理方法与聚合标签的协同教学算法。
2021-03-31 cs.AI cs.LG
A Hybrid Semantic Parsing Approach for Tabular Data Analysis
Microsoft Research Asia（微软亚洲研究院）
本文提出了一种新的方法，将自然语言问题转换为给定表的SQL查询，它满足了现实世界的数据分析应用程序的三个要求：跨域，多语言和快速启动。我们所提出的方法包括：（1）一个新的数据抽象步骤，使解析表不可知的解析器;（2）一组语义规则，用于解析抽象的数据分析问题，以中间逻辑形式的树派生，以减少搜索空间;（3）一个基于神经的模型作为局部评分功能的跨度为基础的语义解析器结构化优化和有效的推理。实验表明，我们的方法优于国家的最先进的算法在一个大型的开放基准数据集WikiSQL。我们也取得了可喜的成果，在一个小的数据集，更复杂的查询，在英语和中文，这表明我们的语言扩展和快速启动能力。
2019-10-24 cs.AI cs.CL cs.DB
TAROT: Task-Adaptive Refinement of LLM-prior Graphs for Few-shot Tabular Learning
Jilin University（吉林大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
提出TAROT框架，通过构建并精炼任务自适应语义图，利用LLM先验和GNN编码特征语义关系，提升小样本表格学习性能。
2026-06-11 cs.AI cs.LG
Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing
Salesforce Research（赛富时研究院）
我们提出了BRIDGE，一个强大的顺序体系结构建模之间的依赖关系的自然语言问题和关系数据库跨DB语义解析。BRIDGE以标记序列表示问题和DB模式，其中字段的子集使用问题中提到的单元格值进行扩充。混合序列由BERT编码，具有最少的后续层，并通过BERT中微调的深度注意力实现文本数据库上下文化。结合具有模式一致性驱动的搜索空间修剪的指针生成器解码器，BRIDGE在流行的跨DB文本到SQL基准测试中获得了最先进的性能，Spider（71.1\% dev，67.5\%测试与集成模型）和WikiSQL（92.6\% dev，91.9\%测试）。我们的分析表明，BRIDGE有效地捕获了所需的跨模态依赖关系，并有可能推广到更多的文本数据库相关的任务。我们的实现可在\url{https://github.com/salesforce/TabularSemanticParsing}上获得。
2020-12-31 cs.AI cs.CL cs.DB
ReTabAD: A Benchmark for Restoring Semantic Context in Tabular Anomaly Detection
LG AI Research, Seoul, South Korea（LG人工智能研究实验室，首尔，韩国）；Sungkyunkwan University, Suwon, South Korea（成均馆大学，水原，韩国）
针对现有表格异常检测基准缺乏语义上下文的问题，提出ReTabAD基准，通过丰富结构化文本元数据并集成零样本LLM框架，验证了语义上下文能提升检测性能和可解释性。
2026-05-28 cs.AI cs.LG
Unlocking the Power of Medical Tabular Data via Semantic-Aware Multimodal Pre-training
Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）；Monash University（莫纳什大学）；The University of Queensland（昆士兰大学）
该研究针对医疗表格数据的语义利用不足问题，提出语义感知多模态预训练框架，含重要性感知自适应掩码与软标签离散化模块，在皮肤病学、眼科数据集上实现SOTA，鲁棒性与跨域泛化能力优异。
2026-08-12 cs.AI cs.CV
Conceptual Schema Inference for Tabular Datasets using Large Language Models
The University of Manchester（曼彻斯特大学）
本文提出两种基于大型语言模型的方法，从原始表格中自动推断概念模式，包括实体类型、属性和类型间关系，以解决异构表格数据的一致性问题。
2026-05-25 cs.AI cs.DB
Where Do Flow Semantics Reside? A Protocol-Native Tabular Pretraining Paradigm for Encrypted Traffic Classification
State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出一种协议原生的表格预训练范式，解决加密流量分类中传统序列模型的语义丢失问题，通过FlowSem-MAE在保持字段边界和时间模式方面取得显著优势。
2026-05-09 cs.AI cs.CR cs.LG
SHAP Distance: An Explainability-Aware Metric for Evaluating the Semantic Fidelity of Synthetic Tabular Data
The University of Tokyo（东京大学）；Infomart Corporation（Infomart公司）
本文提出SHAP距离，一种基于SHAP归因的度量方法，用于评估合成表格数据的语义保真度，通过捕捉特征重要性变化和尾部效应，弥补传统方法的不足。
2025-11-17 cs.AI cs.CY cs.LG
PTab: Using the Pre-trained Language Model for Modeling Tabular Data
Beijing Academy of Artificial Intelligence（北京人工智能研究院）；Beijing Jiaotong University（北京交通大学）
表格数据是信息时代的基础，已经得到了广泛的研究。最近的研究表明，基于神经的模型是有效的学习上下文表示的表格数据。有效的上下文表征的学习需要有意义的特征和大量的数据。然而，目前的方法往往无法正确地学习上下文表示的功能没有语义信息。此外，由于数据集之间的差异，很难通过混合表格数据集来扩大训练集。为了解决这些问题，我们提出了一种新的框架PTab，使用预训练的语言模型来建模表格数据。PTab通过三个阶段的处理来学习表格数据的上下文表示：模态转换（MT），掩蔽语言微调（MF）和分类微调（CF）。我们使用预训练模型（PTM）初始化我们的模型，该模型包含从大规模语言数据中学习的语义信息。因此，上下文表征可以有效地学习在微调阶段。此外，我们可以自然地混合文本化的表格数据来扩大训练集，以进一步提高表示学习。我们评估PTAB八个流行的表格分类数据集。实验结果表明，与最先进的基线（例如XGBoost）相比，我们的方法在监督设置中实现了更好的平均AUC得分，并且在半监督设置下优于对应的方法。我们目前的可视化结果表明，PTab具有良好的基于实例的可解释性。
2022-09-15 cs.AI cs.LG
Language Model Representations for Efficient Few-Shot Tabular Classification
Rensselaer Polytechnic Institute（罗格斯理工学院）；IBM Research（IBM研究）
本文提出TaRl方法，利用语言模型的语义嵌入进行少样本表格分类，通过移除公共组件和校准温度提升性能，实现高效利用现有LLM基础设施。
2026-01-21 cs.AI cs.CL
Leveraging Data Recasting to Enhance Tabular Reasoning
IIIT Hyderabad（印度海得拉巴国际信息技术学院）；Google Research（谷歌研究院）；University of Utah（犹他大学）
创建具有挑战性的表格推理数据对于学习复杂推理至关重要。以前的工作主要依赖于两种数据生成策略。第一种是人工注释，它产生语言多样的数据，但难以扩展。第二类创造是合成发电，这是可扩展的，成本效益高，但缺乏创造性。在这项研究中，我们提出了一个框架，半自动重铸现有的表格数据，利用这两种方法的好处。我们利用我们的框架，建立表格NLI实例，从五个数据集，最初打算像table 2 text创建，表格Q/A，和语义解析的任务。我们证明，重铸的数据可以作为评估基准，以及增强数据，以提高性能的表格NLI任务。此外，我们还研究了在zero-shot场景中对重铸数据进行训练的模型的有效性，并分析了不同重铸数据集类型的性能趋势。
2022-11-23 cs.AI cs.CL cs.IR
LLMs on Tabular Data with Limited Semantics: Evidence from Industrial Car Retrofit Prediction
Technical University of Munich（慕尼黑工业大学）；BMW Group（宝马集团）
研究在工业表格数据中，LLM（嵌入、直接分类、混合堆叠）与经典树集成方法的对比，发现LLM在语义受限时效果有限，但嵌入和混合方法仍有价值。
2026-06-16 cs.AI cs.LG stat.ML
DisCo: Towards Harmonious Disentanglement and Collaboration between Tabular and Semantic Space for Recommendation
Shanghai Jiao Tong University（上海交通大学）
本文提出 DisCo 框架，通过双重侧注意力网络、充分性约束和解耦约束，实现表格与语义空间的解耦与协作，生成模式向量增强推荐主干网络，实验验证了其优越性与兼容性。
2024-06-04 cs.AI cs.IR
HySem: A context length optimized LLM pipeline for unstructured tabular extraction
Indian Institute of Science（印度科学学院）；JNResearch Labs LLP（JNResearch实验室有限责任公司）
针对制药行业非结构化表格提取中LLM存在的准确性与上下文长度限制问题，提出采用上下文长度优化技术的HySem流水线，适配中小药企成本隐私需求，在开源模型中准确率领先，性能对标GPT-4o，可支持更大表格处理。
2024-10-05 cs.AI cs.CL
STUNT: Few-shot Tabular Learning with Self-generated Tasks from Unlabeled Tables
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；LG AI Research（LG人工智能研究院）
使用少量标记的表格样本进行学习通常是工业机器学习应用的基本要求，因为各种表格数据遭受高注释成本或难以为新任务收集新样本。尽管非常重要，但这样的问题在表格学习领域中还没有得到充分的探索，并且来自其他领域的现有少样本学习方案并不容易应用，这主要是由于表格数据的异构特性。在本文中，我们提出了一个简单而有效的框架，Few-Shot半监督表格学习，创造自生成任务从未标记的表（STUNT）。我们的主要思想是通过将随机选择的列视为目标标签来自生成多样化的Few-Shot任务。然后，我们采用元学习计划学习与构建的任务的概括性知识。此外，我们引入了一个无监督的验证计划，超参数搜索（和早期停止）生成一个伪验证集使用STUNT从未标记的数据。我们的实验结果表明，我们的简单框架带来了显着的性能增益下各种表格少样本学习基准，相比以前的半和自监督基线。代码可在https://github.com/jaehyun513/STUNT上获得。
2023-03-02 cs.AI cs.LG
STRuCT-LLM: Unifying Tabular and Graph Reasoning with Reinforcement Learning for Semantic Parsing
Novo Nordisk（诺华北欧）
提出STRuCT-LLM统一框架，结合强化学习与思维链监督联合训练Text-to-SQL和Text-to-Cypher任务，利用跨形式迁移与拓扑感知奖励，显著提升了LLM在表格和图结构数据上的推理及零样本泛化能力。
2025-06-15 cs.AI cs.CL
Personalized Product Search Ranking: A Multi-Task Learning Approach with Tabular and Non-Tabular Data
Walmart Global Tech（沃尔玛全球技术）
本文提出一种基于多任务学习的个性化产品搜索排序模型架构，整合表格与非表格数据并利用预训练TinyBERT，结合可扩展相关性标注机制，显著提升了模型性能。
2025-08-13 cs.AI cs.CL cs.IR
Position: Foundation Models for Tabular Data within Systemic Contexts Need Grounding
SAP SE（SAP公司）
本文提出语义链接表和SLT基础模型，通过双阶段训练实现表格数据在操作上下文中的接地，强调操作知识对自主代理的重要性。
2026-01-17 cs.AI cs.DB cs.LG
Quality Assessment of Tabular Data using Large Language Models and Code Generation
IBM Research（IBM研究院）
本文提出一种结合统计内点检测、LLM规则生成与代码生成的三阶段框架，并引入RAG和护栏机制，以高效可靠地评估表格数据质量。
2025-09-21 cs.AI cs.DB cs.SE
Schema-Adaptive Tabular Representation Learning with LLMs for Generalizable Multimodal Clinical Reasoning
Beijing University of Posts and Telecommunications（北京邮电大学）；Boston University（波士顿大学）；University of Southern California（南加州大学）；GDIIST；Renyixun Health Technology Co., Ltd.（仁心迅健康科技有限公司）
本文提出基于LLM的Schema自适应表格表示学习方法，通过将结构化变量转换为语义自然语言并编码，实现零样本跨schema对齐，结合表格和MRI数据在多模态 dementia 诊断中取得优于临床基准的性能。
2026-04-12 cs.AI cs.LG
Semantic Annotation: The Mainstay of Semantic Web
Taif University（塔伊夫大学）
由于语义Web的实现是基于元数据可访问性的临界质量和用正式知识表示数据，因此它需要生成特定的、易于理解的和定义良好的元数据。然而，Web文档的语义标注是使语义Web愿景成为现实的成功途径。本文介绍了语义网及其愿景（堆栈层）方面的一些概念定义，有助于理解语义标注。此外，本文还介绍了语义标注的分类、工具、领域和模型。
2013-12-17 cs.AI cs.DL cs.IR
Constraint-Aware Synthetic Tabular Data Generation via Inter-Column Constraint Discovery with LLM Agents
University of California, Davis（加州大学戴维斯分校）
该研究针对合成表格数据易违反领域约束的问题，提出基于大语言模型智能体的列间约束发现的统一工作流，结合后处理器修复输出，提升了约束合规性与下游效用。
2026-08-18 cs.AI
A Machine Learning Based Analytical Framework for Semantic Annotation Requirements
Islamic Azad University, Qazvin Branch（伊斯兰阿扎德大学加兹温分校）；Alzahra University（阿尔扎赫拉大学）
语义Web是当前Web的扩展，其中信息被赋予了定义明确的含义。语义网的前景是通过将现有的网络内容转换成机器可理解的形式来提高网络的质量和智能性。因此，语义级信息是语义Web的基石之一。将语义元数据添加到Web资源的过程称为语义注释。语义标注存在着许多障碍，如多语言性、可扩展性以及与不同网页内容的多样性和不一致性有关的问题。由于语义标注系统所涉及的领域非常广泛，而且其所处的环境也是动态的，因此标注过程的自动化是该领域面临的一个重要挑战。为了克服这个问题，已经利用了不同的机器学习方法，诸如监督学习、无监督学习和更近期的方法，如半监督学习和主动学习。在本文中，我们提出了一个包容性的分层分类的语义标注的挑战，并讨论了在这一领域的最重要的问题。此外，我们回顾和分析机器学习应用解决语义标注问题。为此，本文试图对相关研究进行深入研究和分类，以更好地理解语义标注，并得出一个框架，将机器学习技术映射到语义标注的挑战和需求中。
2011-04-26 cs.AI cs.CL
H-STAR: LLM-driven Hybrid SQL-Text Adaptive Reasoning on Tables
Virginia Tech（弗吉尼亚理工大学）；Arizona State University（亚利桑那州立大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出LLM驱动的H-STAR算法，通过两阶段过程结合符号与语义推理进行表格推理，在多个数据集上显著优于现有方法。
2025-04-07 cs.AI cs.CL cs.DB
Graph Querying for Semantic Annotations
CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；LORIA（洛林计算机科学及其应用实验室）
本文介绍了如何在线工具GREW-MATCH可以用来查询和可视化现有的语义注释语料库的数据。一个专用的语法可用于构造简单到复杂的查询，并针对语料库执行它们。这样的查询给出了注释数据的横向视图，这些视图可以帮助检查一个语料库或多个语料库中注释的一致性。GREW-MATCH可以被看作是一个错误挖掘工具：当检测到不一致时，它可以帮助找到应该修复的句子。最后，GREW-MATCH还可以用作辅助注释任务的辅助工具，帮助在现有语料库中找到注释示例，以便与要注释的数据进行比较。
2022-07-25 cs.AI
An Empirical Investigation of Robustness in Large Language Models under Tabular Distortions
Microsoft Corp.（微软公司）
本研究探讨了大型语言模型在表格数据扭曲下的鲁棒性问题，发现模型在缺乏显式提示时难以自动纠正表格错误，且顶级模型在扭曲下准确率显著下降。
2026-01-08 cs.AI
Tabular Data Augmentation for Machine Learning: Progress and Prospects of Embracing Generative AI
Zhejiang University（浙江大学）
本文系统综述了表格数据增强的进展与前景，提出增强前、增强、增强后三阶段架构视图，重点分析了生成式人工智能驱动的数据生成方法，并总结了未来研究方向。
2024-07-31 cs.AI cs.DB cs.LG
Toward Dialogue Modeling: A Semantic Annotation Scheme for Questions and Answers
LORIA（洛林计算机科学及其应用实验室）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）
本研究提出了一种对问答对的内容和语篇贡献进行分类的标注方案。我们提出了使用该计划的详细指导方针，并将其应用于英语，西班牙语和荷兰语的对话。最后，我们报告了自动注释的初始机器学习实验。
2019-08-23 cs.AI cs.CL
The DURel Annotation Tool: Human and Computational Measurement of Semantic Proximity, Sense Clusters and Semantic Change
University of Stuttgart（斯图加特大学）；University of Gothenburg（哥德堡大学）
DURel工具是一个在线开源界面，通过人类与计算标注结合图聚类，测量词义邻近性、义簇及语义变化，支持一致性比较与统计汇总。
2024-02-05 cs.AI cs.CL
Tabular Data Adapters: Improving Outlier Detection for Unlabeled Private Data
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；RPTU Kaiserslautern-Landau, Germany（鲁尔大学（RPTU）科布伦茨-兰道，德国）；Hochschule Bonn-Rhein-Sieg (H-BRS)（波恩-莱茵-锡格应用技术大学（H-BRS））
本文提出表格数据适配器（TDA），通过共享自编码器将私有数据转换为兼容公开模型的格式来生成弱标签，有效缓解了无标签私有表格数据异常检测的冷启动问题，在50个数据集上实现了更高准确度与更低计算成本。
2025-04-29 cs.AI cs.LG
Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data
University of Science and Technology of China（中国科学技术大学）；Zhejiang University of Technology（浙江工业大学）；Meituan（美团）
本文提出MALMAS系统，通过多智能体与记忆模块提升表格数据自动特征生成的效率与质量，实验验证其有效性。
2026-04-22 cs.AI
SPRINT: Semi-supervised Prototypical Representation for Few-Shot Class-Incremental Tabular Learning
Department of Computer Science, Virginia Tech, Blacksburg, VA, USA（弗吉尼亚理工大学计算机科学系）；DEVCOM Army Research Laboratory, Adelphi, MD, USA（陆军研究实验室）；Department of Computer Science, University of Texas at Dallas, Dallas, TX, USA（德克萨斯大学达拉斯分校计算机科学系）；Department of Computer Science, University of California, Irvine, CA, USA（加州大学尔湾分校计算机科学系）
SPRINT提出了一种针对表格数据的少样本类增量学习框架，通过混合经验训练策略和低存储成本保留基础类历史，实现了跨领域鲁棒性，达到77.37%的平均准确率。
2026-03-04 cs.AI cs.CV
TalentMine: LLM-Based Extraction and Question-Answering from Multimodal Talent Tables
Amazon（亚马逊）
针对人才管理系统中复杂表格语义关系丢失导致检索失败的问题，提出基于LLM增强的TalentMine框架，通过多模态推理生成语义丰富的表格表示，在问答任务中实现100%准确率。
2025-06-22 cs.AI cs.CV cs.IR
HyST: LLM-Powered Hybrid Retrieval over Semi-Structured Tabular Data
PrompTart LAB, MODULABS（PrompTart实验室，MODULABS）
针对现实推荐系统中用户查询结合结构化约束与非结构化偏好的问题，提出HyST混合检索框架，通过LLM提取属性约束过滤并结合嵌入搜索处理非结构化部分，实验证明其优于传统基线且提升检索精度。
2025-08-25 cs.AI cs.IR
FactFlow: Automatic Fact Sheet Generation and Customization from Tabular Dataset via AI Chain Design & Implementation
CSIRO’s Data61（联邦科学与工业研究组织数据61）；Australian National University（澳大利亚国立大学）
本文提出FactFlow工具，利用协作式AI工作者自动从表格数据生成并定制事实表，通过自然语言命令满足用户需求，经18人评估优于现有基线并提供良好体验。
2025-02-25 cs.AI cs.HC
Improving Robustness of Tabular Retrieval via Representational Stability
Department of Computer Science Rensselaer Polytechnic Institute（罗切斯特理工学院计算机科学系）；Department of Computer Science Arizona State University（亚利桑那州立大学计算机科学系）；ScaleAI
本文通过表征稳定性方法解决表格检索中不同序列化方式导致的嵌入差异问题，利用中心点平均抑制格式特定变化，提升检索鲁棒性。
2026-04-28 cs.AI cs.CL cs.IR
Deep Feature Embedding for Tabular Data
Guangdong Provincial Key Laboratory of Interdisciplinary Research and Application for Data Science（广东省数据科学交叉研究与应用重点实验室）；Beijing Normal University-Hong Kong Baptist University United International College（北京师范大学-香港浸会大学联合国际学院）
本文提出一种基于轻量级深度神经网络的表格数据特征嵌入框架，分别针对数值特征和类别特征设计深度变换与参数化嵌入方法，以捕获复杂语义关系并减少特征工程，实验验证了其有效性。
2024-08-30 cs.AI cs.LG
MultiHiertt: Numerical Reasoning over Multi Hierarchical Tabular and Textual Data
Yale University（耶鲁大学）；The Chinese University of Hong Kong（香港中文大学）；Northeastern University（东北大学）；Penn State University（宾夕法尼亚州立大学）
对包含文本和表格内容的混合数据的数值推理（例如，财务报告）最近在NLP社区引起了很大的关注。然而，现有的混合数据上的问答（QA）基准测试在每个文档中仅包括单个平面表，因此缺乏跨多个分层表的多步数值推理的示例。为了促进数据分析的进展，我们构建了一个新的大规模基准，MultiHiertt，多层次表格和文本数据的QA对。MultiHiertt基于丰富的财务报告构建，具有以下独特的特点：1）每个文档包含多个表格和较长的非结构化文本; 2）所包含的大多数表格都是分层的; 3）每个问题所需的推理过程比现有的基准更复杂和更具挑战性; 4）每个问题的推理过程比现有的基准更复杂和更具挑战性。以及4）提供推理过程和支持事实的细粒度注释以揭示复杂的数值推理。我们进一步介绍了一种新的QA模型称为MT 2Net，它首先应用事实检索从表和文本中提取相关的支持事实，然后使用推理模块对检索到的事实进行符号推理。我们在各种基线上进行综合实验。实验结果表明，MultiHiertt对现有基线提出了强烈的挑战，其结果远远落后于人类专家的表现。数据集和代码可在https://github.com/psunlpgroup/MultiHiertt上公开获得。
2022-06-03 cs.AI cs.LG
DANets: Deep Abstract Networks for Tabular Data Classification and Regression
Zhejiang University（浙江大学）；Huazhong University of Science and Technology（华中科技大学）；University of Notre Dame（圣母大学）；Zhejiang University School of Medicine（浙江大学医学院）
表格数据在现实世界的应用中无处不在。虽然许多常用的神经组件（例如，卷积）和可扩展神经网络（例如，ResNet）已经由机器学习社区开发，其中很少有对表格数据有效的，并且很少有设计针对表格数据结构进行充分定制。在本文中，我们提出了一种新的和灵活的神经元组件的表格数据，称为抽象层（AbstLay），学习显式分组相关的输入功能，并生成更高层次的功能语义抽象。此外，我们设计了一种结构重新参数化的方法来压缩学习的AbstLay，从而降低了计算复杂性的参考阶段的一个明确的保证金。使用AbstLays构建一个特殊的基本块，并通过堆叠这些块来构建一个用于表格数据分类和回归的深度抽象网络（DANets）家族。在DANets中，引入了一个特殊的快捷路径来从原始表格特征中获取信息，以帮助不同级别的特征交互。在7个实际表格数据集上的综合实验表明，本文提出的AbstLay和DANets对表格数据的分类和回归是有效的，且计算复杂性优于同类方法.此外，我们评估了DANet的性能增益，因为它深入，验证了我们的方法的可扩展性。我们的代码可在https://github.com/WhatAShot/DANet上获得。
2022-09-07 cs.AI cs.LG
Marvin: Semantic annotation using multiple knowledge sources
University of Manchester（曼彻斯特大学）
人们正在生产比历史上任何时候都多的书面材料。这一增长如此之高，以至于各领域的专业人员再也无法应付如此数量的出版物。文本挖掘工具可以为用户提供帮助，而文本语义标注是辅助信息检索和信息抽取的工具之一。在这份报告中，我们介绍了Marvin，一个用Java编写的文本注释器，它可以用作命令行工具和Java库。Marvin能够使用多个源注释文本，包括WordNet，MetaMap，DBPedia和以SKOS表示的同义词。
2016-02-02 cs.AI cs.CL
Text-Aided Multi-Modal Panoptic Symbol Spotting for CAD Floor Plan Drawings
CCSE Lab, Beihang University（北京航空航天大学CCSE实验室）；School of Transportation Science and Engineering, Beihang University（北京航空航天大学交通科学与工程学院）；The Hong Kong Polytechnic University（香港理工大学）
针对CAD平面图全景符号识别中现有方法未充分利用文本注释的问题，提出多模态框架TextCAD，设计TACE编码注释语义，引入语义层次对齐框架，实验表明该方法有效提升符号识别性能并达最优。
2026-07-15 cs.AI cs.CV
Learning Semantic Traversability with Egocentric Video and Automated Annotation Strategy
KAIST（韩国科学技术院）；Neuromeka（纽罗梅卡公司）
本文提出利用行人第一人称视频和基于图像分割基础模型的自动化标注策略训练语义可通行性估计器，在多个国家和城市的实验中验证了其高可扩展性、泛化能力及在真实机器人导航中的高精度和轻量适用性。
2024-09-28 cs.AI cs.RO
Unlocking Practical Applications in Legal Domain: Evaluation of GPT for Zero-Shot Semantic Annotation of Legal Texts
Carnegie Mellon University（卡内基梅隆大学）
本研究评估了GPT模型在零样本设置下对法律文本进行语义标注的能力，发现其在法院意见、合同和法规等不同文档类型上表现良好，为法律领域应用LLM提供了实证支持。
2023-05-08 cs.AI cs.CL
TablEye: Seeing small Tables through the Lens of Images
TablEye通过将表格数据转换为图像以利用图像域先验知识，在少样本表格学习中超越TabLLM和STUNT，显著提升AUC和准确率。
2023-07-04 cs.AI cs.LG
Semantic segmentation with coarse annotations
Eindhoven Univeristy of Technology, Eindhoven, The Netherlands（埃因霍温理工大学）
本文针对粗标注下的语义分割难题，提出一种基于超像素上采样的正则化方法，应用于FCN-16架构，在多个数据集上显著提升边界召回率。
2025-10-17 cs.AI cs.CV cs.LG
Czech News Dataset for Semantic Textual Similarity
NTIS – New Technologies for the Information Society（NTIS – 信息社会新技术研究中心）；University of West Bohemia（西波希米亚大学）；Charles University（查理大学）
本文描述了一种新的数据集，包括句子的语义相似性注释。数据来源于捷克语的新闻领域。我们详细描述了收集和注释数据的过程。该数据集包含138，556个人类注释，分为训练集和测试集。共有485名新闻专业学生参与了创作过程。为了增加测试集的可靠性，我们将注释计算为9个单独注释的平均值。我们通过测量内部和内部注释者的一致性来评估数据集的质量。除了协议编号外，我们还提供了所收集数据集的详细统计数据。最后，我们总结了我们的论文与基线实验，建立一个系统，预测句子的语义相似性。由于大量的训练注释（116 956），该模型的性能明显优于平均注释器（Person的相关系数为0.92与0.86）。
2022-01-21 cs.AI cs.CL cs.LG
Tabular Transfer Learning via Prompting LLMs
KAIST（韩国科学技术院）；Carnegie Mellon University（卡内基梅隆大学）；Hyundai Motor Company（现代汽车公司）
针对表格数据标注稀缺且异质导致迁移学习困难的问题，提出P2T框架，利用LLMs和未标注源数据生成伪演示，在多个基准上超越先前方法。
2024-08-09 cs.AI cs.CL cs.LG
