表格表示、噪声操作及其对LLMs中表格结构理解任务的影响
Tabular Representation, Noisy Operators, and Impacts on Table Structure Understanding Tasks in LLMs
AI总结：
本研究探讨表格表示格式及噪声操作对LLMs表格结构理解任务性能的影响，通过自监督任务和8种格式及8种噪声操作评估性能差异。
摘要：
大型语言模型（LLMs）越来越多地通过上下文学习应用于表格任务。表格的提示表示可能在LLMs处理表格的能力中发挥作用。受先前工作的启发，我们生成了一系列自监督结构任务（例如，导航到单元格和行；转置表格），并评估了使用8种格式时的性能差异。与以往工作不同，我们引入了8种受现实世界杂乱数据和对抗性输入启发的噪声操作，并表明这些操作可能影响LLMs在不同格式下执行不同结构理解任务的性能。
英文摘要：
Large language models (LLMs) are increasingly applied for tabular tasks using in-context learning. The prompt representation for a table may play a role in the LLMs ability to process the table. Inspired by prior work, we generate a collection of self-supervised structural tasks (e.g. navigate to a cell and row; transpose the table) and evaluate the performance differences when using 8 formats. In contrast to past work, we introduce 8 noise operations inspired by real-world messy data and adversarial inputs, and show that such operations can impact LLM performance across formats for different structural understanding tasks.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
