Investigación Profunda en Datos Tabulares mediante Ejecución Continua Impulsada por la Experiencia
Deep Tabular Research via Continual Experience-Driven Execution
March 10, 2026
Autores: Junnan Dong, Chuang Zhou, Zheng Yuan, Yifei Yu, Qiufeng Wang, Yinghui Li, Siyu An, Di Yin, Xing Sun, Feiyue Huang
cs.AI
Resumen
Los grandes modelos de lenguaje suelen tener dificultades con tareas analíticas complejas de largo horizonte sobre tablas no estructuradas, que generalmente presentan encabezados jerárquicos y bidireccionales y diseños no canónicos. Formalizamos este desafío como la Investigación Profunda en Tablas (DTR), que requiere un razonamiento multi-etapa sobre regiones tabulares interdependientes. Para abordar el DTR, proponemos un novedoso marco agéntico que trata el razonamiento tabular como un proceso de toma de decisiones de ciclo cerrado. Diseñamos cuidadosamente una comprensión acoplada de consultas y tablas para la toma de decisiones de ruta y la ejecución operativa. Específicamente, (i) DTR construye primero un meta-grafo jerárquico para capturar la semántica bidireccional, mapeando las consultas en lenguaje natural a un espacio de búsqueda a nivel operativo; (ii) Para navegar este espacio, introducimos una política de selección consciente de la expectativa que prioriza las rutas de ejecución de alta utilidad; (iii) Crucialmente, los resultados de la ejecución histórica se sintetizan en una memoria estructurada *siamesa*, es decir, actualizaciones parametrizadas y textos abstraídos, permitiendo un refinamiento continuo. Experimentos exhaustivos en benchmarks desafiantes de tablas no estructuradas verifican la efectividad y resaltan la necesidad de separar la planificación estratégica de la ejecución de bajo nivel para el razonamiento tabular de largo horizonte.
English
Large language models often struggle with complex long-horizon analytical tasks over unstructured tables, which typically feature hierarchical and bidirectional headers and non-canonical layouts. We formalize this challenge as Deep Tabular Research (DTR), requiring multi-step reasoning over interdependent table regions. To address DTR, we propose a novel agentic framework that treats tabular reasoning as a closed-loop decision-making process. We carefully design a coupled query and table comprehension for path decision making and operational execution. Specifically, (i) DTR first constructs a hierarchical meta graph to capture bidirectional semantics, mapping natural language queries into an operation-level search space; (ii) To navigate this space, we introduce an expectation-aware selection policy that prioritizes high-utility execution paths; (iii) Crucially, historical execution outcomes are synthesized into a siamese structured memory, i.e., parameterized updates and abstracted texts, enabling continual refinement. Extensive experiments on challenging unstructured tabular benchmarks verify the effectiveness and highlight the necessity of separating strategic planning from low-level execution for long-horizon tabular reasoning.