Towards Error-Free EHRs: Reasoning-Intensive Consistency Verification Between Clinical Notes and Structured Tables in Electronic Health Records
KAIST(韩国科学技术院);Ghent University(根特大学);Samsung Medical Center(三星医疗中心);Samsung Changwon Hospital(三星昌原医院);Asan Medical Center(亚山医疗中心)
针对电子健康记录中临床笔记与结构化表格数据不一致的问题,提出推理密集型基准EHR-ReasonCon和基于大语言模型的框架EHR-Inspector,通过锚点实体提取、时间引用和表格探索工具实现高效一致性验证。
2026-11-04 cs.AI cs.CL
Structured Prediction for Scalable Spreadsheet Table Understanding: From Cell Types to Table Ranges (Extended Version)
DI ENS, ENS, CNRS, PSL, Inria(法国高等师范学院(DI ENS)、巴黎高等师范学院、法国国家科学研究中心、PSL大学、法国国家信息与自动化研究所);Inria & Institut Polytechnique de Paris(法国国家信息与自动化研究所、巴黎综合理工学院)
该研究针对电子表格理解的单元格类型分类与表格检测任务,提出结合CRF-LightGBM的两阶段流水线,在公开基准StatSheets上实现了与先进模型相当的性能,且计算资源需求更低。
2026-08-18 cs.DB cs.IR cs.LG
TAP4LLM: Table Provider on Sampling, Augmenting, and Packing Semi-structured Data for Large Language Model Reasoning
National University of Singapore(新加坡国立大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Microsoft(微软);Xi’an Jiaotong University(西安交通大学);Ant Research(蚂蚁研究院)
针对大语言模型处理大表格推理时的可扩展性差、复杂查询难等问题,提出含采样、增强、打包序列化模块的预处理器套件TAP4LLM,经实验验证可有效提升LLM表格推理能力与数据交互效果。
2024-10-10 cs.AI cs.CL
A Graph Representation of Semi-structured Data for Web Question Answering
Tsinghua University(清华大学);Microsoft(微软);Simon Fraser University(西蒙弗雷泽大学)
Web上丰富的半结构化数据,如基于HTML的表格和列表,为商业搜索引擎提供了丰富的问答(QA)信息源。与Web文档中的纯文本段落不同,Web表格和列表具有内在的结构,表格和列表中的各个元素之间具有语义相关性。许多现有的研究将表格和列表视为带有文本片段的平面文档,并且没有很好地利用隐藏在结构中的语义信息。在本文中,我们提出了一种新的图形表示的Web表格和列表的基础上,系统的分类组件的半结构化数据,以及它们之间的关系。我们还开发了用于QA任务的图模型的预训练和推理技术。在一个商业引擎上采集的多个真实数据集上的实验验证了该方法的有效性。我们的方法比最先进的基线提高了F1分数3.90分。
2020-10-14 cs.AI cs.CL
TabSQLify: Enhancing Reasoning Capabilities of LLMs Through Table Decomposition
University of Alberta(阿尔伯塔大学)
本文提出 TabSQLify,通过文本到 SQL 生成将大表分解为相关子表,在四个数据集上达到相当或更优性能,并显著缩短上下文、降低计算负载。
2024-04-15 cs.CL cs.DB cs.IR
GRAFT: GRaPH and Table Reasoning for Textual Alignment -- A Benchmark for Structured Instruction Following and Visual Reasoning
ServiceNow
GRAFT基准通过结构化图表和表格及多步骤问题,评估大语言模型在视觉文本对齐、指令遵循和视觉推理方面的综合能力。
2025-12-02 cs.AI cs.LG cs.MM
RoT: Enhancing Table Reasoning with Iterative Row-Wise Traversals
Harbin Institute of Technology(哈尔滨工业大学)
针对表格推理中长思维链方法训练成本高、易产生表格内容幻觉的问题,提出无需训练的RoT迭代逐行遍历推理方法,通过逐行扩展推理与反思优化减少幻觉,在多个基准上取得更优性能与更高效率。
2025-05-21 cs.CL
NeedleInATable: Exploring Long-Context Capability of Large Language Models towards Long-Structured Tables
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院)
该研究提出长上下文表格基准NeedleInATable(NIAT),评估发现大语言模型在该任务与下游表格任务间存在性能差距,且合成NIAT训练数据可提升两类任务表现。
2025-10-28 cs.CL
Table as Thought: Exploring Structured Thoughts in LLM Reasoning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Michigan(密歇根大学)
本文提出 Table as Thought 框架,用表格结构组织 LLM 的思维步骤、约束与上下文,并通过迭代填充和自验证提升规划与数学推理能力。
2025-01-04 cs.AI cs.CL
JT-DA: Enhancing Data Analysis with Tool-Integrated Table Reasoning Large Language Models
Jiutian Research, China Mobile, Beijing, China(钧天研究,中国移动,北京)
JT-DA-8B通过工具集成的表格推理方法,提升复杂表格分析任务的性能和准确性。
2025-12-07 cs.AI
Boundary on the Table: Efficient Black-Box Decision-Based Attacks for Structured Data
本文提出了一种针对结构化数据的高效黑盒决策攻击方法,通过结合无梯度方向估计与迭代边界搜索,在极小查询量下实现对多种模型的高成功率攻击。
2025-11-23 cs.AI cs.LG
UNJOIN: Enhancing Multi-Table Text-to-SQL Generation via Schema Simplification
Arizona State University(亚利桑那州立大学);University of Pennsylvania(宾夕法尼亚大学)
UNJOIN提出两阶段框架,通过将多表模式简化为单表表示并解耦检索与SQL生成,提升多表文本到SQL性能,在SPIDER和BIRD上达到最先进水平。
2025-05-23 cs.CL
Knowledge in Triples for LLMs: Enhancing Table QA Accuracy with Semantic Extraction
针对传统方法难以处理半结构化表格语义的问题,提出从表格提取三元组结合RAG增强微调GPT-3.5-turbo-0125的方法,在FeTaQA数据集上多项指标优于基线,提升表格问答效果。
2024-10-29 cs.CL cs.IR
HIPPO: Enhancing the Table Understanding Capability of LLMs through Hybrid-Modal Preference Optimization
School of Computer Science and Engineering, Northeastern University, Shenyang, China(东北大学计算机科学与工程学院);Department of Computer Science and Technology, Tsinghua University, Beijing, China(清华大学计算机科学与技术系);Huawei Technologies Co., Ltd(华为技术有限公司)
HIPPO 通过混合模态偏好优化提升大语言模型的表格理解能力,实现 4% 的性能提升。
2026-02-15 cs.CL
FLEXTAF: Enhancing Table Reasoning with Flexible Tabular Formats
Harbin Institute of Technology(哈尔滨工业大学);iFLYTEK Research(讯飞研究院)
针对固定表格格式限制LLM表格推理性能的问题,提出FLEXTAF-Single和FLEXTAF-Vote方法,通过分类器预测最优格式或整合多格式结果,在WikiTableQuestions和TabFact上实现显著性能提升。
2024-08-27 cs.CL
CSPO: Alleviating Reward Ambiguity for Structured Table-to-LaTeX Generation
Beijing Jiaotong University(北京交通大学);Microsoft Research Asia(微软亚洲研究院)
本文提出CSPO框架,通过分离LaTeX表格组件的优化,缓解奖励模糊性,提升结构化生成的可靠性。
2026-08-27 cs.AI
Multimodal Tabular Reasoning with Privileged Structured Information
School of Artificial Intelligence, Nanjing University, China(人工智能学院,南京大学);National Key Laboratory for Novel Software Technology, Nanjing University, China(新型软件技术国家重点实验室,南京大学);AI Business, Alibaba Group(阿里集团人工智能业务)
本文提出Turbo框架,利用训练时的特权结构化表格信息,通过基于DeepSeek-R1的结构感知推理轨迹生成和有利推理路径筛选,在仅9k数据下实现多模态表格推理性能提升7.2%。
2025-06-04 cs.AI cs.CL cs.CV
EMBLEM: Enhancing Multi-script Table Detection through Masking
Indian Institute of Technology Bombay(印度理工学院孟买分校);BharatGen(巴拉特基因公司)
针对多语言多文字文档表格检测难题,提出掩码范式EMBLEM和数据集MANDALA,仅用英文数据微调即在多文字测试集上提升F1达20.8%。
2026-09-09 cs.LG
Order-Planning Neural Text Generation From Structured Data
University of Waterloo(滑铁卢大学)
从结构化数据生成文本(例如,表)对于诸如问答和对话系统的各种自然语言处理任务是重要的。在最近的研究中,研究人员使用神经语言模型和编码器-解码器框架来生成表到文本。然而,这些基于神经网络的方法在文本生成期间不对内容的顺序进行建模。当一个人根据给定的表格写摘要时,他或她可能会在措辞之前考虑内容顺序。例如,在传记中,一个人的国籍通常在传记中的职业之前提到。在本文中,我们提出了一个订单规划文本生成模型,捕捉不同领域之间的关系,并利用这种关系,使生成的文本更加流畅和光滑。我们在WikiBio数据集上进行了实验,并在BLEU,ROUGE和NIST分数方面实现了比以前方法更高的性能。
2017-09-01 cs.AI cs.CL cs.IR
Table Meets LLM: Can Large Language Models Understand Structured Table Data? A Benchmark and Empirical Study
National University of Singapore(新加坡国立大学);Microsoft(微软);The University of Hong Kong(香港大学)
本研究通过设计包含七个任务的基准测试,评估了GPT-3.5和GPT-4对表格数据的结构理解能力,并提出自增强结构提示方法,在多个表格任务上显著提升性能。
2024-07-17 cs.AI cs.CL cs.IR
Enhancing Table Recognition with Vision LLMs: A Benchmark and Neighbor-Guided Toolchain Reasoner
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学);Artificial Intelligence Research Institute, iFLYTEK Co., Ltd(iFLYTEK公司人工智能研究院)
针对视觉大语言模型在非结构化表格识别中受低质量图像限制的问题,提出了分层评估基准与NGTR框架,通过集成轻量级视觉工具、迁移邻居工具选择经验及反思模块,显著提升了原始模型的识别能力。
2026-10-26 cs.AI cs.CV
SPARTA: Scalable and Principled Benchmark of Tree-Structured Multi-hop QA over Text and Tables
POSTECH
SPARTA通过自动生成大规模表格-文本问答基准测试,揭示了跨模态推理的深层缺陷。
2026-02-26 cs.AI cs.CL cs.DB
Enhancing Table Reasoning with Deterministic Table-State Rewards
University of California, Los Angeles(加州大学洛杉矶分校);McGill University(麦吉尔大学);Université de Montréal(蒙特利尔大学);University College London(伦敦大学学院);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Manitoba(曼尼托巴大学)
本文提出TABROUGE,一种无需训练的确定性状态奖励,通过改进的LCS指标评估表格状态,提升表格推理准确率并减少样本需求。
2026-05-15 cs.AI
Table understanding in structured documents
Charles University(查理大学);Rossum
摘要-表检测和提取已经研究了在文件的上下文中,如报告,其中表的轮廓清晰,并从文档结构中脱颖而出的视觉。我们在一个更具挑战性的领域研究这个主题,这个领域是布局繁重的商业文档,特别是发票。这些表格通常没有轮廓(无论是以边框的形式还是围绕文本流的形式),列参差不齐,数据内容差异很大。我们还将表明,我们可以使用一个模型从结构不同的表或表状结构中提取特定信息。我们提出了一个全面的表示一个页面,使用图在词框,位置嵌入,可训练的文本特征和改写的表检测作为一个文本框标签的问题。我们将使用这种表示方法处理新呈现的形式发票、发票和借记票据文档数据集,并提出多个基线来解决这个标签问题。然后,我们提出了一种新的神经网络模型,实现了强大的,实际的结果对所提出的数据集,并详细分析了模型的性能和影响的图卷积和自我注意。
2019-07-09 cs.IR cs.LG
NormTab: Improving Symbolic Reasoning in LLMs Through Tabular Data Normalization
University of Alberta(阿尔伯塔大学)
本文提出 NormTab 框架,通过将表格规范化作为独立的预处理步骤,有效解决了网络表格结构差异与不一致问题,显著提升了 LLM 在 WikiTableQuestion 和 TabFact 数据集上的符号推理性能。
2025-04-02 cs.AI cs.CL cs.DB
Tree-of-Table: Unleashing the Power of LLMs for Enhanced Large-Scale Table Understanding
University of Science and Technology of China(中国科学技术大学);Alibaba Group(阿里巴巴集团);Singapore University of Technology and Design(新加坡科技设计大学);Shanghai Jiao Tong University(上海交通大学)
本文提出 Tree-of-Table 方法,通过表格压缩、分解及构建分层 Table-Tree 进行树结构推理,有效提升了 LLMs 对大规模复杂表格的理解与推理能力,在多个数据集上创下新性能基准。
2024-11-13 cs.CL
Cooking Up Creativity: Enhancing LLM Creativity through Structured Recombination
The Hebrew University of Jerusalem(特拉维夫大学);Stanford University(斯坦福大学)
本文提出用 LLM 转换自然语言与结构化表示,并通过认知启发的结构重组提升创意生成,在烹饪任务中以 DishCOVER 显著优于 GPT-4o。
2025-09-27 cs.AI cs.CL cs.LG
Thinking with Tables: Enhancing Multi-Modal Tabular Understanding via Neuro-Symbolic Reasoning
State Key Laboratory of Novel Software Technology, Nanjing University, China(新型软件技术国家重点实验室,南京大学,中国);School of Artificial Intelligence, Nanjing University, China(人工智能学院,南京大学,中国);School of Intelligence Science and Technology, Nanjing University, China(智能科学与技术学院,南京大学,中国)
本文提出TWT框架,通过神经符号推理解决表格数据结构多样性、特征依赖复杂性及任务异质性问题,在八个数据集上验证了其在多模态表格理解任务中的优越性能。
2026-03-25 cs.CL
Structured Composition of Verifiable Atomic Insights for Table-to-Report Generation
HKUST(GZ)(香港科技大学(广州))
针对表格到报告生成中探索偏差问题,提出ComInsight方法,通过原子洞察的组合与结构化图组织,生成可验证的复合结论,在三个基准上优于现有基线。
2026-10-05 cs.CL
DrugEHRQA: A Question Answering Dataset on Structured and Unstructured Electronic Health Records For Medicine Related Queries
University of Florida(佛罗里达大学);The University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心)
本文开发了第一个问答数据集(DrugEHRQA),其中包含来自公共电子健康记录(EHR)的结构化表格和非结构化笔记的问答对。EHR包含存储在结构化表格和非结构化临床笔记中的患者记录。结构化和非结构化EHR中的信息并不是严格分离的:信息可能重复、矛盾或在这些来源之间提供额外的上下文。我们的数据集包含与药物相关的查询,包含超过70,000个问答对。为了提供基线模型并帮助分析数据集,我们使用了一个简单的模型(MultimodalEHRQA),该模型使用模态选择网络的预测来选择EHR表和临床笔记来回答问题。这用于将问题导向基于表格或基于文本的最先进QA模型。为了解决复杂的嵌套查询所带来的问题,这是第一次使用文本到SQL解析器(RAT-SQL)的XML感知模式编码和链接来测试EHR数据中查询模板的结构。我们的目标是提供一个基准数据集的多模态QA系统,并开辟了新的研究途径,提高问答EHR结构化数据,通过使用上下文从非结构化的临床数据。
2022-05-03 cs.AI
Sattiy at SemEval-2021 Task 9: An Ensemble Solution for Statement Verification and Evidence Finding with Tables
Ping An Life Insurance Co., Ltd.(平安人寿保险股份有限公司)
基于半结构化表格的问答可以看作是一个语义解析任务,对于拓展自然语言理解的边界具有重要的意义和实用价值。现有的研究主要集中在从非结构化证据中理解内容,例如,新闻、自然语言句子和文档。从结构化证据(如表格、图表和数据库)中进行验证的任务仍然较少探索。本文描述了SemEval-2021任务9:使用表格进行陈述验证和证据发现(SEM-TAB-FACT)中的Sattiy团队系统。该竞赛旨在验证陈述,从科学文章的表格中找到证据,并促进对周围文章的正确解释。在本文中,我们为任务A开发了表TaPas和TaBERT上的预训练语言模型的集成模型,并根据为任务B提取的一些规则调整结果。最后,在排行榜中,我们在任务A中获得了0.8496和0.7732的F1分数,分别用于双向和三向评估,以及任务B中的F1分数为0.4856。
2021-06-07 cs.AI cs.CL
Enhancing Large Language Models through Structured Reasoning
本文提出通过显式结构化推理增强大型语言模型的方法,利用监督微调(SFT)和引入MAX-Flow与最长公共子序列(LCS)算法的群体相对策略优化(GRPO)训练模型,实验证明该方法提升了复杂推理能力并降低了计算复杂度。
2025-06-25 cs.AI cs.CL
TabRAG: Improving Tabular Document Question Answering for Retrieval Augmented Generation via Structured Representations
Imperial College London(帝国理工学院)
TabRAG通过结构化表示改进表格文档问答,采用布局分割和视觉语言模型解析,提升表格问答性能。
2026-01-31 cs.AI cs.CL cs.CV
Generate, Transform, Answer: Question Specific Tool Synthesis for Tabular Data
University of Glasgow(格拉斯哥大学)
表格式问答(TQA)需要将自然语言与大量半结构化数据进行联合推理,这对神经系统提出了挑战。与使用过滤器等编程工具在处理之前转换数据的人类不同,TQA中的语言模型直接处理表,导致信息随着表大小的增加而丢失。在本文中,我们提出ToolWriter生成查询特定的程序,并检测何时将它们应用于转换表,并将它们与TQA模型的功能对齐。集中使用ToolWriter来生成行过滤工具,提高了WikiTableQuestions和WikiSQL的最新技术水平,在长表上获得了最大的性能。通过调查净空,我们的工作突出了编程工具与神经组件相结合来操纵大量结构化数据的更广泛潜力。
2023-03-17 cs.AI cs.LG
Probing How Scalable Table Data Enhances General Long-Context Reasoning
Large Language Model Department, Tencent(腾讯大语言模型部门);Xi'an Jiaotong University, Xi'an, China(西安交通大学);Fudan University, Shanghai, China(复旦大学)
本文研究表格数据对长上下文推理的增强作用,通过分析表格依赖结构揭示周期性非消失依赖,并提出TableLong框架提升推理能力,实验显示在多个基准上提升8.24%。
2026-03-23 cs.CL
SIMPLOT: Enhancing Chart Question Answering by Distilling Essentials
KAIST(韩国科学技术院)
针对图表中无关信息降低图表转表格提取性能的问题,提出SIMPLOT方法,通过模仿仅含核心信息的简单图表进行表格提取并推理,无需额外数据即可提升图表问答准确性。
2025-02-03 cs.AI cs.CL cs.CV
Structsum Generation for Faster Text Comprehension
University of Edinburgh(爱丁堡大学);Google DeepMind(谷歌DeepMind)
针对大语言模型生成结构化文本输出效果不佳的问题,提出面向表格和思维导图的提示策略与批评方法,显著提升准确率,并验证结构化表示可大幅缩短文本理解时间且不损失精度。
2024-06-19 cs.AI cs.CL
TransientTables: Evaluating LLMs' Reasoning on Temporally Evolving Semi-structured Tables
UC San Diego(加州大学圣迭戈分校);University of Utah(犹他大学);University of Pennsylvania(宾夕法尼亚大学);Arizona State University(亚利桑那州立大学)
针对LLMs在静态数据集上时序推理受限的问题,提出TRANSIENTTABLES基准数据集,通过模板生成流水线构建问题,并引入任务分解策略提升模型在时序演化表格上的推理性能。
2025-04-02 cs.CL cs.CV cs.IR
Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction
University of Chinese Academy of Sciences(中国科学院大学);Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所信息处理实验室)
针对大语言模型提取信息混乱无条理的问题,提出双语基准AOE,含三领域11项任务,要求模型生成适配查询的上下文特定模式来将碎片化信息重构为表格,评估显示前沿模型仍表现不佳。
2026-11-04 cs.CL
DocTabQA: Answering Questions from Long Documents Using Tables
Peking University(北京大学);University of Science and Technology of China(中国科学技术大学);Microsoft Corporation(微软公司)
本文提出DocTabQA问答设置,要求从长文档中提取信息生成结构化表格作为答案,并构建QTabA数据集,提出两阶段框架DocTabTalk,通过检索相关句子并生成层次化表格,显著提升GPT-4在表格生成任务中的性能。
2024-08-21 cs.CL
Tabular Embeddings for Tables with Bi-Dimensional Hierarchical Metadata and Nesting
Florida State University(佛罗里达州立大学);University of South Florida(南佛罗里达大学)
针对含双维层次元数据与嵌套的表格,提出专用嵌入方法,在5个数据集和3个任务上MAP最高提升0.28,优于现有模型。
2025-02-20 cs.AI cs.CL cs.LG
FT-RAG: A Fine-grained Retrieval-Augmented Generation Framework for Complex Table Reasoning
Georgia Institute of Technology(佐治亚理工学院);Zhejiang University(浙江大学);Zhejiang Lab(浙江实验室)
FT-RAG通过细粒度检索和多模态融合提升表格推理能力,引入多表RAG库增强训练数据,实现表格和单元格命中率显著提升。
2026-05-02 cs.AI cs.CL
Generative Benchmark Creation for Table Union Search
Northeastern University(东北大学)
本文提出用生成式 AI 模型自动创建表并集搜索基准,构建了包含可并集与不可并集但相关表对的新基准,并证明该基准比人工基准更具挑战性,能支持更细粒度的假阳性与假阴性分析。
2023-08-07 cs.CL cs.DB cs.LG
TaBERT: Pretraining for Joint Understanding of Textual and Tabular Data
Carnegie Mellon University(卡内基梅隆大学);Facebook AI Research(脸书人工智能研究院)
近年来,用于基于文本的自然语言理解任务的预训练语言模型(LM)蓬勃发展。这样的模型通常在自由形式的NL文本上训练,因此可能不适合于像结构化数据上的语义解析这样的任务,其需要对自由形式的NL问题和结构化表格数据(例如,数据库表)。在本文中,我们提出了TaBERT,这是一个预训练的LM,它可以联合学习NL句子和(半)结构化表的表示。TaBERT在2600万个表格及其英语上下文的大型语料库上进行训练。在实验中,使用TaBERT作为特征表示层的神经语义解析器在具有挑战性的弱监督语义解析基准WikiTableQuestions上取得了新的最佳结果,同时在文本到SQL数据集Spider上表现出色。该模型的实施将在http://fburl.com/TaBERT上提供。
2020-05-17 cs.CL cs.LG
TabFact: A Large-scale Dataset for Table-based Fact Verification
University of California, Santa Barbara(加州大学圣巴巴拉分校);Tencent AI Lab(腾讯人工智能实验室)
根据给定的证据来验证语篇假设是否成立的问题,也称为事实验证,在自然语言理解和语义表示的研究中起着重要的作用。然而,现有的研究主要局限于处理非结构化证据(例如,自然语言句子和文档、新闻等),而在结构化证据(例如表格、图形和数据库)下的验证仍然未被充分探索。本文主要研究半结构化数据作为证据的事实验证问题。为此,我们构建了一个名为TabFact的大规模数据集,其中包含16 k个Wikipedia表作为118 k个人类注释的自然语言语句的证据,这些语句被标记为ENTANOW或REFUTED。TabFact具有挑战性,因为它涉及软语言推理和硬符号推理。为了解决这些推理挑战,我们设计了两种不同的模型:表BERT和潜在程序算法(LPA)。Table-BERT利用最先进的预训练语言模型将线性化的表和语句编码为连续向量以进行验证。LPA将语句解析为程序,并针对表执行它们,以获得返回的二进制值进行验证。这两种方法都达到了类似的准确性,但仍然远远落后于人类的表现。我们还进行全面的分析,以展示未来的巨大机会。数据集的数据和代码见\url{https://github.com/wenhuchen/Table-Fact-Checking}。
2020-06-14 cs.AI cs.CL
TReB: A Comprehensive Benchmark for Evaluating Table Reasoning Capabilities of Large Language Models
JIUTIAN Research(中移九天)
针对大语言模型处理表格数据推理能力评估基准缺失的问题,提出TReB基准,用分类法涵盖26个子任务,经数据处理构建高质量数据集,设计含三种推理模式的评估框架,揭示现有模型在表格任务上有改进空间,且数据和框架均公开。
2026-07-22 cs.AI cs.CL
$\rm SP^3$: Enhancing Structured Pruning via PCA Projection
School of Information, Renmin University of China(中国人民大学信息学院);Tencent AI Lab, Tencent(腾讯AI实验室);School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院)
针对现有结构化剪枝方法忽略预训练语言模型隐藏维度压缩潜力的问题,提出基于PCA投影的SP3剪枝方法,在高压缩比下保持高准确率,且适用于多种模型。
2024-08-18 cs.AI cs.CL
Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain
National Yang Ming Chiao Tung University
本文提出Tree-of-Text框架,通过三阶段生成过程提升表格到文本生成的精度与效率,在多个体育数据集上表现优异。
2026-04-29 cs.AI cs.CL cs.HC
Enhancing Low-Rank Adaptation with Structured Nonlinear Transformations
City University of Hong Kong(香港城市大学);City University of Hong Kong Shenzhen Research Institute(香港城市大学深圳研究院)
本文提出LoRAN,通过轻量级非线性变换和正弦激活函数Sinter增强LoRA的表达能力,实验表明其在摘要与分类任务上优于QLoRA,且不增加参数量。
2025-09-26 cs.AI cs.CL
Efficient Table QA via TableGrid Navigation and Progressive Inference Prompting
Vision Intelligence Lab, IIIT Allahabad, Prayagraj, India(视觉智能实验室,印度拉贾斯坦邦阿拉哈巴德)
本文提出了一种无需训练的表格问答方法,通过TableGrid导航和Progressive Inference Prompting框架,提升了表格问答的精度和效率,并在多个数据集上验证了其有效性。
2026-08-18 cs.AI cs.CV cs.IR
Thinking with Knowledge Graphs: Enhancing LLM Reasoning Through Structured Data
Yahoo Research(雅虎研究院)
本文提出将知识图谱的结构与语义紧密集成到大语言模型中,通过编程语言表示知识图谱并微调预训练模型,显著提升复杂推理性能并增强推理的可解释性。
2024-12-14 cs.CL cs.LG
ViTaB-A: Evaluating Multimodal Large Language Models on Visual Table Attribution
School of Computing and Augmented Intelligence(计算与增强智能学院)
ViTaB-A研究了多模态大语言模型在视觉表格归因中的表现,发现其在证据归因方面存在显著缺陷,影响透明性和可追溯性应用。
2026-02-17 cs.CL
Struct-X: Enhancing Large Language Models Reasoning with Structured Data
Shanghai University of Engineering Science(上海工程技术大学);INF Technology(Shanghai) Co., Ltd.(INF科技(上海)有限公司);Fudan University(复旦大学)
提出Struct-X框架,通过读取-建模-填充-反思-推理五阶段利用结构化数据,减少令牌冗余,增强LLM推理,在知识图谱问答和长文档阅读任务上显著提升性能。
2024-07-17 cs.AI cs.CL
SKA-Bench: A Fine-Grained Benchmark for Evaluating Structured Knowledge Understanding of LLMs
School of Software Technology, Zhejiang University(浙江大学软件学院);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);ZJU-Ant Group Joint Lab of Knowledge Graph(浙江大学蚂蚁集团知识图谱联合实验室);Ant Group(蚂蚁集团)
本文提出 SKA-Bench,通过覆盖四类结构化知识并设置噪声鲁棒性等四项能力测试,细粒度评估 8 个代表性 LLM 的结构化知识理解缺陷。
2025-08-29 cs.AI cs.CL