Denoising Table-Text Retrieval for Open-Domain Question Answering
POSTECH（浦项科技大学）；aiXplain, Inc.（aiXplain公司）
为解决表格-文本开放域问答中假阳性标签和跨表格推理证据检索困难的问题，提出DoTTeR模型，通过去噪训练集和引入表格级排序信息微调列编码器，显著提升了检索召回率与下游QA性能。
2024-03-26 cs.AI 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
Capturing Row and Column Semantics in Transformer Based Question Answering over Tables
IBM Research AI（IBM研究院人工智能）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
基于Transformer的体系结构最近被用于通过表格回答问题的任务。为了提高这项任务的准确性，已经开发了专门的预训练技术，并应用于数百万个开放域Web表。在本文中，我们提出了两种新的方法，证明人们可以在表QA任务上实现卓越的性能，甚至不使用任何这些专门的预训练技术。第一个模型称为RCI交互，它利用了一个基于Transformer的体系结构，该体系结构独立地对行和列进行分类，以识别相关的单元格。虽然这个模型在最近的基准测试中找到单元格值时具有极高的准确性，但我们提出的第二个模型称为RCI表示，通过将现有表的嵌入具体化，为在线QA系统提供了显着的效率优势。在最近的基准测试上的实验证明，所提出的方法可以有效地定位表上的单元格值（在WikiSQL查找问题上高达~98%的Hit@1准确率）。此外，交互模型优于最先进的基于Transformer的方法，在非常大的表语料库（TAPAS和TaBERT）上进行预训练，在标准WikiSQL基准测试中实现了约3.4%和约18.86%的额外精度提高。
2021-04-26 cs.AI cs.CL
API-Assisted Code Generation for Question Answering on Varied Table Structures
Carnegie Mellon University（卡内基梅隆大学）
本文提出统一TableQA框架，将多样表格表示为多索引Pandas数据框，用Python程序查询并支持自定义API调用，在四个不同结构表格数据集上显著超越现有最优系统。
2023-10-23 cs.AI cs.CL
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
Structural Deep Encoding for Table Question Answering
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；ISIR（巴黎索邦大学计算机科学与智能系统研究所）；LERIA（安热大学信息学研究实验室）
本文针对表格问答中展平表格结构导致信息丢失与可扩展性挑战的问题，全面分析了表格编码技术，并提出新型稀疏注意力掩码设计，在提升计算效率的同时保持结构完整性，显著改善了整体性能。
2025-03-03 cs.AI cs.CL
Towards Question Answering over Large Semi-structured Tables
The University of Melbourne（墨尔本大学）
针对大型半结构化表格问答难题，提出TaDRe模型，通过分解前后双重优化确保表格分解质量，并在新构建及公开基准上取得最先进性能。
2025-08-04 cs.AI cs.CL cs.DB
AIT-QA: Question Answering Dataset over Complex Tables in the Airline Industry
IBM Research（IBM研究院）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；IIT Bombay（印度理工学院孟买分校）
Transformers的最新进展使Table问答（Table QA）系统能够在WikiTableQuestions和WikiSQL等开放域数据集上实现高准确性和SOTA结果。这些Transformers经常在维基百科等开放域内容上进行预训练，它们有效地编码了维基百科的问题和相应的表格，如Table QA数据集所示。然而，维基百科中的网页表格在布局上是非常扁平的，第一行是唯一的列标题。这种布局适用于表的关系视图，其中每行都是一个元组。然而，特定于领域的业务或科学文档中的表格通常具有复杂得多的布局，除了具有该领域的专用词汇表术语之外，还包括分层的行和列标题。为了解决这个问题，我们引入了特定领域的表QA数据集AIT-QA（航空公司行业表QA）。该数据集由人工注释者在116个表格上编写的515个问题组成，这些表格摘自2017-2019财年主要航空公司的美国证券交易委员会公开文件（可在https：//www.sec.gov/edgar.shtml上公开获取）。我们还提供了与问题的性质有关的注释，标记那些需要分层标题、特定领域术语和释义形式的问题。我们对三种基于转换器的SOTA表QA方法- TaPAS（端到端），TaBERT（基于语义解析）和RCI（基于行列编码）-进行的zero-shot基线评估清楚地暴露了这些方法在此实际设置中的局限性，最佳准确率仅为51.8\%（RCI）。我们还提出了实…
2021-06-24 cs.AI cs.CL
A Hybrid Search for Complex Table Question Answering in Securities Report
针对LLMs难以捕捉复杂表格结构导致问答错误的问题，提出基于混合检索机制估计表头、交叉点选答案且模型经对比学习优化的方法，在U4数据集上准确率达74.6%，优于GPT-4o mini等模型。
2025-11-12 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
Hybrid Graphs for Table-and-Text based Question Answering using LLMs
Fujitsu Research India（富士通印度研究院）；IIT Madras（印度马德拉斯理工学院）
本文提出一种基于混合图的无微调表-文本问答方法，利用LLMs构建统一图并修剪无关信息，在Hybrid-QA和OTT-QA数据集上实现最佳零样本性能，显著提升准确率并大幅减少token使用。
2025-01-29 cs.AI cs.CL
Latent Bridges for Multi-Table Question Answering
EURECOM；University of Antwerp（安特卫普大学）
提出GRAB管道，通过图编码器和潜在桥梁将关系数据转化为紧凑表示，冻结LLM以保持推理能力，在多表问答中显著提升性能。
2026-10-23 cs.AI cs.CL cs.DB
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
BioTABQA: Instruction Learning for Biomedical Table Question Answering
Arizona State University（亚利桑那州立大学）
表格式问答是一项重要但尚未被充分研究的任务。大多数现有的QA数据集都是非结构化的文本格式，只有少数使用表格作为上下文。据我们所知，没有一个TQA数据集存在于生物医学领域，在生物医学领域中，表格经常用于呈现信息。在本文中，我们首先策划了一个表问答数据集，BioTABQA，使用22个模板和上下文从生物医学教科书上的鉴别诊断。BioTABQA不仅可以用来教模型如何回答表格中的问题，还可以评估模型如何推广到看不见的问题，这是生物医学应用的一个重要场景。为了实现泛化评估，我们将模板分为17个训练和5个跨任务评估。然后，我们在BioTABQA上使用单任务和多任务学习开发了两个基线。此外，我们探讨了教学学习，最近的技术表现出令人印象深刻的概括性能。实验结果表明，在各种评估设置中，我们的预防调整模型的平均性能优于单任务和多任务基线约23%和约6%，更重要的是，预防调整模型在跨任务上优于基线约5%。
2022-07-06 cs.AI cs.CL cs.LG
MFORT-QA: Multi-hop Few-shot Open Rich Table Question Answering
AllianceBernstein（联博）；Vanderbilt University（范德堡大学）
本文提出MFORT-QA方法，通过少样本学习、思维链提示和检索增强生成相结合的多跳推理流程，提升开放富表格问答的准确性，并在OTT-QA上验证其优于抽取式方法。
2024-03-28 cs.AI 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
Seek and Solve Reasoning for Table Question Answering
nd University of Toronto（多伦多大学）；st Mashang Consumer Finance Co., Ltd.（马莎消费金融有限公司）；Mashang Consumer Finance Co., Ltd.（马莎消费金融有限公司）
本文提出寻求与求解流水线及SS-CoT思维链，利用LLM推理能力提升表格问答性能与可靠性，实验验证其高效性。
2025-04-20 cs.AI cs.CL
ExpliCIT-QA: Explainable Code-Based Image Table Question Answering
Computer Vision Center, Universitat Autònoma de Barcelona（计算机视觉中心，巴塞罗那自治大学）；Gradiant
ExpliCIT-QA是一个多模态表格问答系统，通过模块化设计实现可解释性和透明性，在TableVQA-Bench基准上表现优异，适用于金融和医疗等敏感领域。
2025-07-15 cs.AI cs.CL
A Table Is Worth 64 Tokens: Pixel-level Compression for Multi-Table Document Question Answering
School of Informatics（信息学院）；University of Edinburgh（爱丁堡大学）
本文针对多表格文档问答提出无需训练的两步像素级表格压缩方法，在长文档上节省41%总Token，比高效单步压缩配置少用15%Token且无准确率损失，还较原生分辨率单步问答提升7个百分点准确率。
2026-08-28 cs.AI
TempTabQA: Temporal Question Answering for Semi-Structured Tables
Bloomberg（彭博）；University of Utah（犹他大学）；University of Pennsylvania（宾夕法尼亚大学）；IIT Guwahati（印度理工学院古瓦哈提分校）
本文提出TempTabQA数据集，包含从维基百科信息框表格中提取的11454个问答对，用于评估时间推理，发现最先进LLM性能落后人类超过13.5 F1点，可作为挑战性基准。
2023-11-14 cs.AI cs.CL cs.IR
ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering
Zhejiang University（浙江大学）
提出ASTRA架构，通过AdaSTR将表格重构为逻辑语义树，并利用DuTR双模式推理框架结合树搜索文本导航与符号代码执行，在复杂表格问答中达到最优性能。
2026-05-26 cs.AI cs.CL cs.LG
Open Question Answering over Tables and Text
University of California, Santa Barbara（加州大学圣巴巴拉分校）；Google Research（谷歌研究院）
在开放式问答（QA）中，通过检索并分析可能包含问题答案的文档来生成问题的答案。大多数开放式QA系统只考虑从非结构化文本中检索信息。在这里，我们第一次考虑开放式问答在表格和文本数据，并提出了一个新的大规模数据集开放式表格和文本问答（OTT-QA），以评估这项任务的性能。OTT-QA中的大多数问题都需要跨表格数据和非结构化文本进行多跳推理，并且回答问题所需的证据可以以不同的方式分布在这两种类型的输入中，这使得证据检索具有挑战性-我们使用迭代检索器和基于BERT的阅读器的基线模型实现了小于10%的精确匹配分数。然后，我们提出了两种新的技术，以解决检索和聚合OTT-QA证据的挑战。第一种技术是使用“早期融合”将多个高度相关的表格和文本单元分组到融合块中，这为检索器提供了更多的上下文来搜索。第二种技术是使用跨块阅读器来模拟多个检索到的证据与全局-局部稀疏注意之间的交叉依赖性。结合这两种技术可以显著提高分数，达到27%以上。
2021-02-10 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
HybridQA: A Dataset of Multi-Hop Question Answering over Tabular and Textual Data
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）
现有的问答数据集专注于处理同质信息，仅基于文本或仅基于KB/表信息。然而，由于人类的知识分布在异构的形式，单独使用同质的信息可能会导致严重的覆盖问题。为了填补这一空白，我们提出了HybridQA https：//github.com/wenhuchen/HybridQA，这是一个新的大规模问答数据集，需要对异构信息进行推理。每个问题都与维基百科表格和与表格中的实体链接的多个自由形式语料库对齐。这些问题旨在汇总表格信息和文本信息，即，缺乏任何一种形式都会使问题无法回答。我们使用三种不同的模型进行测试：1）仅表模型。2)纯文本模式。3)一种混合模型，结合不同种类的信息来寻找答案。实验结果表明，两种基线模型的EM值均在20%以下，而混合模型的EM值可达40%以上。这种差距表明有必要在HybridQA中聚合异构信息。然而，混合模型的得分仍然远远落后于人类的表现。因此，HybridQA可以作为一个具有挑战性的基准研究问答与异构信息。
2021-05-11 cs.AI 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
MultiModalQA: Complex Question Answering over Text, Tables and Images
The Allen Institute for AI（艾伦人工智能研究所）；Tel-Aviv University（特拉维夫大学）；University of Washington（华盛顿大学）
在回答复杂的问题时，人们可以无缝地结合来自视觉，文本和表格来源的信息。虽然近年来对多个证据推理的模型的兴趣激增，但对跨多个模态推理的问答模型的研究相对较少。在本文中，我们提出了MultiModalQA（MMQA）：一个具有挑战性的问答数据集，需要联合推理的文本，表格和图像。我们使用一个新的框架来创建MMQA，该框架用于大规模生成复杂的多模态问题，从维基百科获取表格，并使用每个表格中出现的实体附加图像和文本段落。然后，我们定义了一个形式语言，使我们能够采取的问题，可以回答从一个单一的模态，并将它们结合起来，以产生跨模态的问题。最后，众包工作人员将这些自动生成的问题转化为更流畅的语言。我们通过这个过程创建了29，918个问题，并以经验证明了多模态多跳方法解决我们任务的必要性：我们的多跳模型ImplicitDecomp在跨模态问题上的平均F1为51.7，大大超过了达到38.2 F1的强大基线，但仍然明显落后于人类表现，这是90.1 F1
2021-04-13 cs.AI cs.CL cs.LG
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
TSQA: Tabular Scenario Based Question Answering
State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
基于场景的问答（SQA）已经引起了越来越多的研究兴趣。与研究得很好的机器阅读理解（MRC）相比，SQA是一个更具挑战性的任务：一个场景可能不仅包含要阅读的文本段落，还包含结构化数据，如表格，即，基于表格情景的问答（TSQA）。TSQA的人工智能应用，例如回答高中考试中的多项选择题，需要在多个单元格中合成数据，并将表格与文本和领域知识相结合来推断答案。为了支持这项任务的研究，我们构建了GeoTSQA。该数据集包含1k个真实问题，这些问题由地理领域中的表格场景进行情境化。为了解决这个问题，我们扩展了最先进的MRC方法与TTGen，一个新的表到文本生成器。它从各种合成的表格数据中生成句子，并为下游的MRC方法提供最有用的句子。它的句子排序模型融合了场景、问题和领域知识中的信息。我们的方法优于GeoTSQA上的各种强基线方法。
2021-01-14 cs.AI 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
TQA-Bench: Evaluating LLMs for Multi-Table Question Answering
Hong Kong University of Science and Technology（香港科技大学）；Tsinghua University（清华大学）
提出TQA-Bench基准，通过长上下文多表问答任务评估LLM，揭示其在复杂数据驱动环境中的挑战与机遇。
2026-06-05 cs.AI cs.CL cs.IR
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
CT2C-QA: Multimodal Question Answering over Chinese Text, Table and Chart
Fudan University（复旦大学）；Fudan Zhangjiang Institute（复旦张江研究院）
针对现有多模态问答研究多聚焦双模态、缺乏三模态联合分析的问题，研究者构建了首个中文文本-表格-图表推理问答数据集CT²C-QA，并提出多智能体系统AED，实验显示包括GPT-4在内的现有方法仍未达该数据集基准。
2024-10-28 cs.AI cs.CL
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
Parameter-Efficient Abstractive Question Answering over Tables or Text
University of Amsterdam（阿姆斯特丹大学）
本文研究在表格和文本问答中使用参数高效适配器，仅用0.7%-1.5%的额外参数即可在多个数据集上达到或超越微调模型的性能。
2022-04-07 cs.AI 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
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
Multi-View Graph Representation Learning for Answering Hybrid Numerical Reasoning Question
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, CAS（中国科学院自动化研究所）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）
针对财务混合问答中现有编码器破坏表格文本粒度关联与表格结构的问题，提出多视图图编码器，构建三类视图保留混合数据特征，在TAT-QA基准上性能超越SOTA模型。
2023-05-05 cs.AI 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
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
TableQuery: Querying tabular data with natural language
Saama（萨玛）；Activeloop（活跃循环）；Oregon State University（俄勒冈州立大学）
本文介绍了TableQuery，这是一种使用预训练的深度学习模型来查询表格数据的新工具，用于回答自由文本的问题。针对表格数据的问答的现有深度学习方法具有各种局限性，例如必须将整个表格作为输入馈送到神经网络模型中，这使得它们不适合大多数现实世界的应用。由于真实世界的数据可能包含数百万行，因此可能无法完全放入内存中。此外，数据可以存储在实时更新的实时数据库中，并且每次更新时将整个数据库串行化为神经网络友好格式是不切实际的。在TableQuery中，我们使用针对自由文本问答预先训练的深度学习模型，将自然语言查询转换为结构化查询，可以针对数据库或电子表格运行。这种方法消除了将整个数据装入内存以及序列化数据库的需要。此外，针对自由文本问答预训练的深度学习模型可以在HuggingFace Model Hub（7）等平台上轻松获得。TableQuery不需要重新训练;当新训练的问答模型具有更好的性能时，它可以替换TableQuery中的现有模型。
2022-01-27 cs.AI cs.CL cs.DB
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
