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
Large Language Model for Table Processing: A Survey
School of Information, Renmin University of China（中国人民大学信息学院）；WPS Office, Kingsoft Co.（金山办公软件有限公司）
本综述全面梳理大语言模型及视觉语言模型在表格处理领域的相关任务、训练技术与提示工程应用，并指出当前面临的用户输入多样、思维链推理慢等挑战。
2024-10-24 cs.AI cs.CL
TABBIE: Pretrained Representations of Tabular Data
Sony Corporation（索尼公司）；UMass Amherst（马萨诸塞大学阿默斯特分校）；Adobe Research（Adobe研究院）
表格表示学习的现有工作使用从预训练的语言模型（如BERT）导出的自监督目标函数对表格和相关文本进行联合建模。虽然这种联合预训练改进了涉及配对表格和文本的任务（例如，回答关于表格的问题），我们表明它在没有任何关联文本的表格上操作的任务上表现不佳（例如，填充缺失的单元格）。我们设计了一个简单的预训练目标（损坏的细胞检测），它只从表格数据中学习，并在一套基于表格的预测任务上达到最先进的水平。与竞争方法不同，我们的模型（TABBIE）提供了所有表子结构（单元格、行和列）的嵌入，并且它需要的计算量也少得多的训练。我们的模型的学习单元格，列和行表示的定性分析表明，它理解复杂的表语义和数值趋势。
2021-05-06 cs.CL
RETQA: A Large-Scale Open-Domain Tabular Question Answering Dataset for Real Estate Sector
School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；Institute of Artificial Intelligence and Future Networks, Beijing Normal University（北京师范大学人工智能与未来网络研究院）；Elmleaf Ltd.（榆叶有限公司）；BNU-UIC Institute of Artificial Intelligence and Future Networks, Beijing Normal University (Zhuhai)（北京师范大学-香港浸会大学联合国际学院人工智能与未来网络研究院）；Guangdong Key Lab of AI and Multi-Modal Data Processing, BNU-HKBU United International College（广东省人工智能与多模态数据处理重点实验室，北京师范大学-香港浸会大学联合国际学院）
本文提出首个房地产领域大规模开放域中文表格问答数据集RETQA及SLUTQA框架，通过结合大语言模型与口语理解任务，有效应对长表格结构、开放域检索和多领域查询等挑战，显著提升了表格问答性能。
2025-01-23 cs.AI cs.CL
Reasoning-Table: Exploring Reinforcement Learning for Table Reasoning
Institute of Automation, CAS（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文首次将强化学习应用于表格推理，提出Reasoning-Table，通过统一训练和基于规则的结果奖励在多个基准上超越SFT及更大的专有模型，并提升泛化性与鲁棒性。
2025-06-02 cs.CL
Korean-Specific Dataset for Table Question Answering
LG AI Research ISC（LG人工智能研究ISC）
现有的问答系统主要集中在处理文本数据。然而，每天产生的大部分数据都以表格的形式存储，这些表格可以在文档和关系数据库中找到，也可以在Web上找到。为了解决在表格上进行问答的任务，存在许多用英语编写的表格问答数据集，但很少有韩语数据集。在本文中，我们演示了如何为表格问答构建朝鲜语特定的数据集：朝鲜语表格数据集是140万个表格的集合，其中包含对无监督预训练语言模型的相应描述。韩国表问答语料库由众包工作者创建的7万对问题和答案组成。随后，我们基于Transformer构建了一个预训练的语言模型，并使用这些数据集对表格问答模型进行了微调。然后，我们报告我们的模型的评估结果。我们通过我们的GitHub存储库公开提供我们的数据集，并希望这些数据集将有助于进一步研究表格上的问答，以及表格格式的转换。
2022-05-01 cs.CL
Testing the Limits of Unified Sequence to Sequence LLM Pretraining on Diverse Table Data Tasks
Amazon Web Services AI（亚马逊云科技人工智能部门）
本研究针对多样化表格任务，探索基于编码器-解码器风格LLM的统一预训练方法，通过对不同规模T5模型的实验验证了自监督预训练的性能提升效果，首次系统研究了该统一方法跨规模的优势及指令微调变体的表现。
2023-10-01 cs.CL cs.LG
Representations for Question Answering from Documents with Tables and Text
Google Research（谷歌研究院）；University of Washington（华盛顿大学）
Web文档中的表是普遍存在的，可以直接用于回答Web上搜索的许多查询，从而促进了它们在问答中的集成。表格中提供的信息通常很简洁，很难用标准语言表示来解释。另一方面，表格通常出现在文本上下文中，例如描述表格的文章。使用来自项目的信息作为附加上下文可以潜在地丰富表表示。在这项工作中，我们的目标是改善问答从表中提炼表表示从周围的文本信息的基础上。我们还提出了一种有效的方法来结合文本和基于表格的预测，从完整的文档中的问答，获得显着的改进自然问题数据集。
2021-01-26 cs.CL
Bridging the Gap: Deciphering Tabular Data Using Large Language Model
PAII Inc.（PAII公司）
本研究针对大语言模型的表格数据理解问题，设计了表格序列化模块与纠错机制，首次将大语言模型应用于表格问答任务，在特定数据集上性能优于SOTA。
2023-08-28 cs.AI cs.CL
Augment before You Try: Knowledge-Enhanced Table Question Answering via Table Expansion
UC Santa Barbara（加州大学圣塔芭芭拉分校）；Adobe Research（Adobe研究院）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
针对表格问答中给定表格信息不足的问题，提出先构建含缺失信息的增强表格、再基于双表生成SQL查询的知识增强方法，在三个基准上优于强基线。
2024-01-28 cs.CL
Adversarial TableQA: Attention Supervision for Question Answering on Tables
Yonsei University（延世大学）；University of Edinburgh（爱丁堡大学）；NCSOFT（NCSoft公司）
由于社区在构建有用数据集方面的努力，回答给定文本段落的问题的任务在模型性能上取得了很大的发展。最近，有人怀疑这种快速进步是否建立在真正理解语言的基础上。在表问答（TableQA）任务中没有提出相同的问题，我们的任务是回答给定表的查询。我们表明，现有的努力，使用“答案”的评价和监督TableQA，表现出恶化的性能在对抗性设置的扰动，不影响答案。这种洞察力自然会促使开发更精确地理解问题和表格的新模型。为了实现这个目标，我们提出了Neural Operator（NeOp），这是一个具有注意力监督的多层顺序网络，用于回答给定表格的查询。NeOp使用多个选择性递归单元（SelRU）来进一步帮助模型答案的可解释性。实验表明，使用操作数信息来训练模型显著提高了TableQA模型的性能和可解释性。NeOp的性能远远优于以前的所有型号。
2018-10-19 cs.CL
Question Answering via Web Extracted Tables and Pipelined Models
Carnegie Mellon University（卡内基梅隆大学）
在本文中，我们描述了一个数据集和基线结果的问答，利用网络表。它包含网络上常见的问题以及在网站表格中找到的相应答案。我们的数据集是新颖的，因为每个问题都与不同签名的表格配对。特别是，数据集包含两类表：实体实例表和键值表。每个QA实例包括任一种表、自然语言问题和对应的结构化SQL查询。我们将问答分为几个任务，包括表格检索和问题元素分类，建立我们的模型，并进行实验来衡量每个任务的性能。我们提取特定于每个任务的各种功能，并组成一个完整的管道，从其部分构建SQL查询。我们的工作为每个任务提供了定性结果和错误分析，并详细确定了从自然语言问题生成SQL表达式所需的推理。这种推理分析为基于神经机器学习的未来模型提供了信息。
2019-04-16 cs.CL
TableQAKit: A Comprehensive and Practical Toolkit for Table-based Question Answering
University of Chinese Academy of Sciences（中国科学院大学）；University of Science and Technology Beijing（北京科技大学）；Tsinghua University（清华大学）
本文介绍了TableQAKit，首个专为基于表格问答（TableQA）设计的全面实用工具包，集成了丰富的数据集、流行方法及大型语言模型，并在部分数据集上取得新SOTA，同时提供了基于LLM的TableQA基准。
2023-10-23 cs.CL
CLTR: An End-to-End, Transformer-Based System for Cell Level Table Retrieval and Table Question Answering
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM TJ Watson Research Center（IBM托马斯·J·沃森研究中心）
我们提出了第一个端到端的，基于transformer的表格问答（QA）系统，该系统以自然语言问题和大量的表格语料库作为输入，以检索最相关的表格，并定位正确的表格单元格来回答问题。我们的系统，CLTR，扩展了目前国家的最先进的QA表模型，建立一个端到端的表QA架构。该系统已经成功地解决了许多现实世界的表QA问题，一个简单的，统一的管道。我们提出的系统还可以在复杂的表格上生成候选列和行的热图，并允许用户快速识别正确的单元格来回答问题。此外，我们还介绍了两个新的开放域基准测试，E2E_WTQ和E2E_GNQ，由76,242个表上的2,005个自然语言问题组成。这些基准测试旨在验证CLTR，并适应未来的表检索和端到端表QA研究和实验。我们的实验表明，我们的系统是目前国家的最先进的模型上的表检索任务，并产生有前途的结果端到端的表QA。
2021-06-09 cs.CL
RobuT: A Systematic Study of Table QA Robustness Against Human-Annotated Adversarial Perturbations
Yale University（耶鲁大学）；New York University（纽约大学）；Zhejiang University（浙江大学）
针对现有Table QA模型对任务特定扰动鲁棒性不明的问题，提出包含人工标注对抗扰动的RobuT基准，并利用大型语言模型生成对抗样本增强训练，显著提升了模型鲁棒性。
2023-06-25 cs.AI cs.CL
End-to-End Table Question Answering via Retrieval-Augmented Generation
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM TJ Watson Research Center（IBM托马斯·J·沃森研究中心）
大多数现有的端到端的表格问答（表格QA）模型包括一个两阶段的框架，检索器从语料库中选择相关的表格候选人和读者从表格候选人中找到正确的答案。即使读者模型的准确性显着提高与最近的transformer为基础的方法，这样的框架的整体性能仍然遭受使用传统的信息检索技术作为检索器的准确性差。为了缓解这个问题，我们引入了T-RAG，一个端到端的表QA模型，其中非参数密集向量索引与BART（一个参数序列到序列模型）联合微调以生成答案令牌。对于任何自然语言问题，T-RAG利用统一的管道自动搜索表格语料库，直接从表格单元格中定位正确答案。我们将T-RAG应用于最近的开放域表QA基准测试，并证明了微调的T-RAG模型能够在端到端表QA和表检索任务中实现最先进的性能。
2022-03-30 cs.CL
SynTQA: Synergistic Table-based Question Answering via Mixture of Text-to-SQL and E2E TQA
Nanyang Technological University（南洋理工大学）；NYU Shanghai（上海纽约大学）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-南洋理工大学新加坡联合研究院）；Center for Data Science, New York University（纽约大学数据科学中心）
本文提出 SynTQA 协同式表格问答方法，通过答案选择集成 Text-to-SQL 与端到端问答模型，实验表明可显著提升表格问答性能。
2024-09-29 cs.CL
Enhancing Open-Domain Table Question Answering via Syntax- and Structure-aware Dense Retrieval
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
本文提出语法与结构感知的稠密检索方法，通过问题语法表示、表格结构化表示及语法到结构聚合器，在NQ-tables和新开放域Text-to-SQL数据集上取得最优或显著领先效果。
2023-09-19 cs.CL
FeTaQA: Free-form Table Question Answering
Yale University（耶鲁大学）；The University of Hong Kong（香港大学）；Salesforce Research（赛富时研究院）；Penn State University（宾夕法尼亚州立大学）；Archbishop Mitty High School（米提大主教高中）
现有的表问答数据集包含大量的事实问题，主要评估系统的查询和模式理解能力，但由于相关的简短形式的答案的约束，它们不能包括需要复杂的推理和信息集成的问题。为了解决这些问题并展示表格问答的全部挑战，我们引入了FeTaQA，这是一个新的数据集，具有10 K基于维基百科的{表格，问题，自由形式的答案，支持表格单元格}对。FeTaQA产生更具挑战性的表格问答设置，因为它需要在从结构化知识源检索、推理和整合多个不连续事实后生成自由形式的文本答案。与文本生成QA的数据集不同，其中答案普遍存在于来自源的短文本跨度的副本中，我们数据集中的答案是人类生成的解释，涉及实体及其高级关系。我们为所提出的任务提供了两种基准方法：基于语义解析的QA系统的管道方法和基于大型预训练文本生成模型的端到端方法，并表明FeTaQA对这两种方法都构成了挑战。
2021-04-01 cs.CL
Table Question Answering for Low-resourced Indic Languages
University of Amsterdam（阿姆斯特丹大学）；Elsevier（爱思唯尔）
针对低资源语言表格问答研究空白，提出全自动大规模数据生成方法，应用于孟加拉语和印地语，训练的模型性能优于现有最优LLMs，且方法可推广至其他低资源语言。
2024-10-04 cs.CL
Texts or Images? A Fine-grained Analysis on the Effectiveness of Input Representations and Models for Table Question Answering
Bosch Center for Artificial Intelligence（博世人工智能中心）；Hochschule der Medien（媒体高等学校）；University of Augsburg（艾格斯堡大学）
针对表格问答中文本/图像输入表示与模型的效果差异缺乏细粒度对比的问题，本文构建新基准开展受控研究，发现最优组合随设置变化，提出动态选择表格表示的FRES方法，平均性能提升10%。
2025-05-20 cs.CL
SCITAT: A Question Answering Benchmark for Scientific Tables and Text Covering Diverse Reasoning Types
Harbin Institute of Technology（哈尔滨工业大学）；iFLYTEK Research（讯飞研究院）；National University of Singapore（新加坡国立大学）
针对现有科学问答数据集推理类型有限且忽视表格与文本关联的问题，提出SciTaT基准，并设计结合多种推理方法的CaR基线，在SciTaT上平均提升12.9%。
2024-12-16 cs.CL
TableBench: A Comprehensive and Complex Benchmark for Table Question Answering
Beihang University（北京航空航天大学）；M-A-P；Fudan University（复旦大学）；Beijing Information Science and Technology University（北京信息科技大学）
针对学术表格问答基准与工业真实需求脱节的问题，本文构建涵盖四大类18项能力的复杂基准TableBench，并推出基于TableInstruct训练、性能可比GPT-3.5的TableLLM。
2025-03-18 cs.CL
SPIQA: A Dataset for Multimodal Question Answering on Scientific Papers
Google Research（谷歌研究院）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对现有科学论文问答数据集规模小、仅覆盖文本的问题，本文推出首个多模态大规模数据集SPIQA，含27万问题，结合图文内容，评估12个基础模型并提出带检索的CoT策略提升性能。
2025-01-10 cs.AI cs.CL cs.CV
TableZoomer: A Collaborative Agent Framework for Large-scale Table Question Answering
Institute of Artificial Intelligence (TeleAI), China Telecom Corp Ltd（中国电信股份有限公司人工智能研究院（TeleAI））
针对大语言模型在表格问答任务中的工业应用痛点，提出包含结构化表结构、查询感知表格缩放、PoT策略三项创新的TableZoomer智能体框架，结合ReAct范式实现迭代推理，在不同规模数据集上准确率显著优于传统PoT方法。
2025-09-01 cs.CL
ReasonTabQA: A Comprehensive Benchmark for Table Question Answering from Real World Industrial Scenarios
Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究所）；Chongqing University（重庆大学）；Beihang University（北京航空航天大学）
ReasonTabQA是一个针对现实工业场景的表格问题回答基准，通过引入TabCodeRL强化学习方法提升模型推理能力，揭示了工业级表格问答的复杂性。
2026-01-12 cs.CL
OmniTab: Pretraining with Natural and Synthetic Data for Few-shot Table-based Question Answering
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Azure AI（微软Azure人工智能部门）
表格中的信息可以是文本的重要补充，使得基于表格的问答（QA）系统具有很大的价值。处理表的内在复杂性通常会给模型设计和数据注释增加额外的负担。在本文中，我们的目标是开发一个简单的基于表的QA模型，以最小的注释工作。基于表格的QA需要问题和表格之间的对齐以及对多个表格元素执行复杂推理的能力，基于这一事实，我们提出了一种杂食性的预训练方法，该方法消耗自然数据和合成数据来赋予模型这些相应的能力。具体来说，给定免费提供的表，我们利用检索将它们与基于掩码的预训练的相关自然句子配对，并通过转换从表中采样的SQL进行QA损失的预训练来合成NL问题。我们在Few-Shot和完整设置下进行了广泛的实验，结果清楚地表明了我们的模型OmniTab的优越性，最好的多任务处理方法在128次拍摄和完整设置下分别实现了16.2%和2.7%的绝对增益，也在WikiTableQuestions上建立了一个新的最先进的模型。详细的消融和分析揭示了自然和合成数据的不同特征，为杂食预训练的未来方向提供了光明。代码、预训练数据和预训练模型可在https://github.com/jzbjyb/OmniTab上获得。
2022-07-08 cs.CL
Answering Numerical Reasoning Questions in Table-Text Hybrid Contents with Graph-based Encoder and Tree-based Decoder
Institute of Automation, CAS（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）
在现实世界的问答场景中，表格和文本相结合的混合形式越来越受到人们的关注，其中数值推理问题是最典型和最具挑战性的问题之一。现有的方法通常采用编码器-解码器框架来表示混合内容并生成答案。然而，它不能捕捉编码器端的数值、表模式和文本信息之间的丰富关系。解码器使用一个简单的预定义的操作分类器，这是不够灵活，以处理不同的表达式的数值推理过程。针对这些问题，本文提出了一种基于\textbf{T}语言的\textbf{G}增强型\textbf{H}混合表-文本\textbf{N}数值推理模型（\textbf{RegHNT}）.它将表-文本混合内容上的数字问答建模为表达式树生成任务。此外，我们提出了一种新的关系图建模方法，模型之间的对齐问题，表格和段落。我们验证了我们的模型上公开的表-文本混合QA基准（TAT-QA）。建议的RegHNT显着优于基线模型，并实现国家的最先进的结果。我们在https://github.com/lfy79001/RegHNT公开发布了源代码和数据（2022-05-05）。
2022-10-20 cs.CL
Open-WikiTable: Dataset for Open Domain Question Answering with Complex Reasoning over Table
KAIST（韩国科学技术院）；Amazon（亚马逊）
针对现有表格开放域问答数据集忽视表格结构、仅处理单单元格答案的问题，提出Open-WikiTable数据集，基于WikiSQL和WikiTableQuestions构建，要求复杂推理，同时提供文本答案和SQL查询，支持阅读器与解析器方法。
2023-05-12 cs.CL
Open Domain Question Answering over Tables via Dense Retrieval
Tel-Aviv University（特拉维夫大学）；Google Research（谷歌研究院）
开放域QA的最新进展已经导致了基于稠密检索的强大模型，但仅专注于检索文本段落。在这项工作中，我们解决了开放域QA表的第一次，并表明检索可以提高检索器设计来处理表格上下文。我们提出了一个有效的预训练程序，我们的检索和提高检索质量与挖掘硬负。由于相关数据集缺失，我们提取了自然问题的子集（Kwiatkowski等人，2019年）到表QA数据集。我们发现，我们的检索器提高检索结果从72.0到81.1 recall@10和端到端的QA结果从33.8到37.7的精确匹配，超过一个BERT为基础的检索器。
2021-06-09 cs.CL
KET-QA: A Dataset for Knowledge Enhanced Table Question Answering
The University of Hong Kong（香港大学）；Microsoft（微软公司）
针对表格问答中知识缺失的问题，本文提出以知识库为外部知识源，构建带细粒度标注的KET-QA数据集，设计检索器-推理器流水线模型，实验显示其性能显著优于传统方法，但仍不及人类水平。
2024-05-13 cs.CL
Reasoning by Commented Code for Table Question Answering
Department of Data Science, Seoul National University, Seoul, Republic of Korea（数据科学系，首尔国立大学，首尔，大韩民国）；Department of Computer Science（计算机科学系）；Engineering, Seoul National University, Seoul, Republic of Korea（工程系，首尔国立大学，首尔，大韩民国）
通过注释代码生成框架提升表格问题回答的准确率，结合端到端模型实现84.3%的高精度表现。
2026-01-31 cs.CL
M3TQA: Massively Multilingual Multitask Table Question Answering
CCSE, Beihang University（计算机科学与工程学院，北京航空航天大学）；M-A-P（M-A-P研究所）；Nanjing University（南京大学）
本文提出M3TQA基准，覆盖97种语言的多任务表格问答，通过LLM翻译流程构建并验证合成数据可显著提升低资源语言的跨语言表格推理性能。
2025-08-22 cs.CL
Understanding Errors in LLM-Based Question Answering over Imperfect Tables
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；University of Auckland（奥克兰大学）；Jilin University（吉林大学）
本研究通过受控实验揭示，在不完美表格问答中，错误位置影响发现率，且仅提供位置不足以保证准确；GBDI工作流结合多视图发现与验证指导，显著提升问答准确性。
2026-10-07 cs.CL
OpenTable-R1: A Reinforcement Learning Augmented Tool Agent for Open-Domain Table Question Answering
OpenTable
本文提出OpenTable-R1框架，将BM25+搜索与SQLite执行工具直接嵌入大语言模型，并通过监督冷启动和Async GRPO强化学习微调4B模型，实现开放域表格问答准确率从个位数提升至0.86以上。
2025-07-02 cs.CL
TACR: A Table-alignment-based Cell-selection and Reasoning Model for Hybrid Question-Answering
Tokyo Institute of Technology（东京工业大学）；Nanyang Technological University（南洋理工大学）；Microsoft Research Asia（微软亚洲研究院）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）
针对混合问答中难以遍历表格和关联段落检索证据的挑战，提出基于表对齐的单元格选择与推理模型TACR，通过增强表格-问题对齐检索细粒度证据，在HybridQA和WTQ数据集上取得领先或具竞争力的性能，并显著提升可解释性。
2023-05-24 cs.CL
A Survey on Table Question Answering: Recent Advances
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
表格问答（Table QA）是指从表格中提供精确的答案来回答用户的问题。近年来，关于表格问答的研究成果很多，但缺乏对这一研究课题的全面综述。因此，我们的目标是在表QA中提供可用数据集和代表性方法的概述。我们将现有的表格QA方法分为五类，根据他们的技术，其中包括语义分析为基础的，生成，提取，匹配为基础的，和检索器读者为基础的方法。此外，由于表QA仍然是一个具有挑战性的任务，现有的方法，我们还确定和概述了几个关键的挑战，并讨论了表QA的潜在的未来方向。
2022-07-12 cs.AI cs.CL
TabIQA: Table Questions Answering on Business Document Images
National Institute of Informatics（国立信息学研究所）
表格回答业务文档中的问题有许多挑战，需要理解表格结构、跨文档引用以及简单搜索查询之外的其他数值计算。本文介绍了一种新的管道，名为TabIQA，回答有关业务文档图像的问题。TabIQA结合了最先进的深度学习技术，1）从图像中提取表格内容和结构信息，2）回答与数字数据、基于文本的信息以及结构化表格中的复杂查询相关的各种问题。在VQAonBD 2023数据集上的评估结果证明了TabIQA在回答表格相关问题方面的有效性。TabIQA存储库可在https://github.com/phucty/itabqa上获得。
2023-03-27 cs.CL cs.CV
Question Answering with Texts and Tables through Deep Reinforcement Learning
Escola Politécnica, Universidade de São Paulo（圣保罗大学理工学院）；Novelo Data（诺韦洛数据公司）
针对需联合文本与表格的开放域多跳问答，本文提出用强化学习在每一步选择不同最先进检索/推理工具的架构，并在 OTT-QA 上达到与已有迭代系统相当的 F1 19.03。
2025-02-20 cs.CL
p2-TQA: A Process-based Preference Learning Framework for Self-Improving Table Question Answering Models
Bosch Center for Artificial Intelligence（博世人工智能中心）；Hochschule der Medien（媒体高等学校）；University of Augsburg（艾格学院）
针对现有表格问答（TQA）系统未充分利用数据及忽视后训练潜力的问题，提出p2-TQA框架，通过表格特定流水线自动构建偏好数据并进行对比学习优化，大幅提升模型性能且保持高效率。
2025-11-10 cs.CL
Localize, Retrieve and Fuse: A Generalized Framework for Free-Form Question Answering over Tables
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce Research（赛富时研究院）；Huazhong University of Science and Technology（华中科技大学）
本文提出TAG-QA框架，通过表格图转换与单元定位、维基百科知识检索及表格文本融合三阶段，解决自由形式TableQA中长答案生成问题，并在多个指标上显著超越TAPAS和T5等基线。
2023-09-21 cs.CL
GraphOTTER: Evolving LLM-based Graph Reasoning for Complex Table Question Answering
Sichuan University（四川大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出 GraphOTTER，将复杂表格转为无向图并由预定义动作引导逐步推理，从而过滤无关信息、定位答案，实验验证其在复杂表格问答中的有效性。
2024-12-02 cs.CL
MULTITAT: Benchmarking Multilingual Table-and-Text Question Answering
Harbin Institute of Technology（哈尔滨工业大学）
针对现有TATQA数据集仅限英语的局限，提出首个多语言TATQA数据集MULTITAT，涵盖10种语言，并开发基线模型Ours，实验显示非英语性能平均下降19.4%，Ours平均领先其他基线3.3。
2025-02-24 cs.CL
Neural Multi-Step Reasoning for Question Answering on Semi-Structured Tables
Department of Computer Science ETH Zurich（苏黎世联邦理工学院计算机科学系）；ETH Zurich（苏黎世联邦理工学院）；Switzerland（瑞士）
近年来，由于神经网络方法的日益流行，自然语言处理任务的进展获得了动力。在本文中，我们探讨了用于回答半结构化表上操作的多步推理问题的深度学习技术。这里的挑战来自于问题所表达的逻辑组合性的水平，以及领域的开放性。我们的方法是弱监督的，在问答表三元组上训练，而不需要中间的强监督。它执行两个阶段：首先，机器可理解的逻辑形式（程序）是根据[Pasupat和Liang，2015]的工作从自然语言问题中生成的。第二，使用单词和字符卷积神经网络将逻辑形式和问题的释义嵌入到联合学习的向量空间中。神经评分函数进一步用于对问题的最可能的逻辑形式（解释）进行排名和检索。我们最好的单个模型在WikiTableQuestions数据集上达到了34.8%的准确率，而我们模型的最佳集合将这项任务的最先进分数推高到38.7%，从而略微超过了工程特征评分基线以及Neelakantan等人的神经程序员模型，2016年]。
2018-03-22 cs.CL
Crake: Causal-Enhanced Table-Filler for Question Answering over Large Scale Knowledge Base
Beijing Academy of Artificial Intelligence（北京人工智能研究院）
语义解析通过组成知识库（KB）查询来解决知识库（KB）问答（KBQA），其通常涉及节点提取（NE）和图组合（GC）以检测和连接查询中的相关节点。尽管NE和GC之间存在很强的因果关系，但以前的工作未能直接在管道中对这种因果关系进行建模，从而阻碍了子任务相关性的学习。此外，在以前的作品中，GC的序列生成过程会导致模糊性和暴露偏差，这进一步损害了准确性。在这项工作中，我们形式化的语义解析分为两个阶段。在第一阶段（图结构生成）中，我们提出了一个cabinet增强的表填充器，以克服序列建模中的问题，并学习内部因果关系。在第二阶段（关系抽取）中，提出了一种有效的波束搜索算法来扩展大规模知识库上的复杂查询。在LC-QuAD 1.0上的实验表明，我们的方法在保持时间和空间效率的同时，大大超过了以前的最先进技术（17%）。代码和模型可在https://github.com/AOZMH/Crake上获得。
2022-07-08 cs.CL
FREB-TQA: A Fine-Grained Robustness Evaluation Benchmark for Table Question Answering
Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Augsburg（奥格斯堡大学）；Hochschule der Medien（斯图加特媒体大学）
本文提出了细粒度评估表格问答系统鲁棒性的三个主要要求，并创建发布了一个新颖的英文TQA评估基准FREB-TQA，实验表明现有最先进系统均未能在三个方面持续表现优异。
2024-04-29 cs.CL
TableEval: A Real-World Benchmark for Complex, Multilingual, and Multi-Structured Table Question Answering
Beijing Wenge Technology Co., Ltd.（北京文格科技有限公司）；State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, CAS, Beijing, China（多模态人工智能系统国家重点实验室，自动化研究所，中国，北京）；School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, China（中国科学院大学advanced interdisciplinary sciences学院，中国）
本文提出TableEval基准和SEAT评估框架，用于衡量大语言模型在真实世界多结构、多语言表格问答中的表现，并揭示现有模型的能力差距。
2025-09-21 cs.CL
Evaluating LLMs' Mathematical Reasoning in Financial Document Question Answering
Microsoft Research（微软研究院）；Singapore Management University（新加坡管理大学）；University of Pennsylvania（宾夕法尼亚大学）
本研究评估LLMs在金融表格问答中的数学推理能力，提出一种针对半结构化文档的新型提示技术，匹配或超越基线性能。
2025-10-09 cs.CL
General Table Question Answering via Answer-Formula Joint Generation
Beihang University（北京航空航天大学）；Zhongguancun Laboratory（中关村实验室）；Kuaishou Technology（快手科技）
针对现有表格问答方法通用性不足的问题，提出将电子表格公式作为可执行表示，构建FormulaQA数据集和TabAF通用框架，在多个基准上取得同规模模型下的最优性能。
2025-08-31 cs.AI cs.CL
Reasoning over Hybrid Chain for Table-and-Text Open Domain QA
Langboat Technology（澜舟科技）；Sun Yat-sen University（中山大学）；Microsoft Research（微软研究院）；Beihang University（北京航空航天大学）
表格式和文本式问答要求系统在考虑表格结构以及表格和文本之间的联系的情况下对异构信息执行推理。在本文中，我们提出了一个ChAin为中心的推理和预训练框架（CARP）。CARP利用混合链模型描述了问答中表与文本之间的显式中间推理过程。我们还提出了一种新的以链为中心的预训练方法，以增强预训练模型在识别跨模态推理过程和缓解数据稀疏问题方面的能力。该方法通过合成维基百科中的伪异构推理路径并生成相应的问题来构建大规模推理语料库。在一个大规模的表格和文本的开放领域的问答基准测试平台OTT-QA上，我们对系统进行了测试，结果表明，我们的系统达到了最先进的性能。进一步的分析表明，显式混合链提供了显着的性能改善和解释的中间推理过程，和链为中心的预训练，提高性能的链提取。
2022-01-15 cs.CL
TTQA-RS- A break-down prompting approach for Multi-hop Table-Text Question Answering with Reasoning and Summarization
University of Florida（佛罗里达大学）
本文提出TTQA-RS模型，通过分解提示、检索增强生成和表格-文本摘要，结合推理与子问题答案，在多跳表格-文本问答任务上以开源LLM取得最优性能。
2024-09-30 cs.CL cs.IR
Piece of Table: A Divide-and-Conquer Approach for Selecting Subtables in Table Question Answering
POSTECH（浦项科技大学）
针对大型线性化表格超出 LM 上下文长度、难以全局理解的问题，本文提出 PieTa 框架，通过迭代分窗、选择相关单元格并合并子表来捕获跨行列表格依赖，提升基于子表格的问答性能。
2025-02-19 cs.AI cs.CL
Topic Transferable Table Question Answering
IBM Research（IBM研究院）；Indian Institute of Technology, Bombay（印度理工学院孟买分校）
弱监督表问答（TableQA）模型通过使用预训练的BERT Transformer来联合编码问题和表以产生针对问题的结构化查询，从而实现了最先进的性能。然而，在实际环境中，TableQA系统部署在表语料库的主题和单词分布非常不同的BERT的预训练语料库。在这项工作中，我们模拟了实际的主题转移的情况下，设计新颖的挑战基准WikiSQL-TS和WikiTQ-TS，包括在五个不同的话题组，基于流行的WikiSQL和WikiTableQuestions数据集的train-dev-test分裂。我们的经验表明，尽管对大型开放域文本进行了预训练，但当对看不见的主题进行评估时，模型的性能会显着下降。作为回应，我们提出了T3 QA（主题可转移表问答）的一个实用的自适应框架，包括：（1）主题特定的词汇注入到BERT，（2）一个新的文本到文本的Transformer生成器（如T5，GPT 2）基于自然语言问题生成管道集中在生成特定的训练数据，和（3）一个逻辑形式ranker。我们表明，T3 QA为我们的主题转移基准提供了一个相当好的基线。我们相信，我们的主题分割基准将带来更适合实际部署的健壮的TableQA解决方案。
2021-09-15 cs.AI cs.CL
MultiTabQA: Generating Tabular Answers for Multi-Table Question Answering
University of Amsterdam（阿姆斯特丹大学）；Elsevier（爱思唯尔）
本文提出多表问答任务及 MultiTabQA 模型，通过构建大规模 SQL-表格答案预训练数据集并引入表格专用评估指标，在多个数据集上超越现有单表问答模型，实现跨表推理与表格答案生成。
2023-05-24 cs.AI cs.CL
