Ricerca Profonda sui Dati Tabulari tramite Esecuzione Continua Guidata dall'Esperienza

Deep Tabular Research via Continual Experience-Driven Execution

March 10, 2026

Autori: Junnan Dong, Chuang Zhou, Zheng Yuan, Yifei Yu, Qiufeng Wang, Yinghui Li, Siyu An, Di Yin, Xing Sun, Feiyue Huang

cs.AI

Abstract

I modelli linguistici di grandi dimensioni spesso faticano con compiti analitici complessi a lungo termine su tabelle non strutturate, che tipicamente presentano intestazioni gerarchiche e bidirezionali e layout non canonici. Formalizziamo questa sfida come Ricerca Tabellare Profonda (DTR), che richiede un ragionamento a più fasi su regioni tabellari interdipendenti. Per affrontare la DTR, proponiamo una nuova framework agenziale che tratta il ragionamento tabellare come un processo decisionale a ciclo chiuso. Progettiamo accuratamente una comprensione accoppiata di query e tabella per il processo decisionale del percorso e l'esecuzione operativa. Nello specifico, (i) la DTR costruisce prima un meta-grafo gerarchico per catturare la semantica bidirezionale, mappando le query in linguaggio naturale in uno spazio di ricerca a livello operativo; (ii) Per navigare in questo spazio, introduciamo una politica di selezione expectation-aware che prioritizza i percorsi di esecuzione ad alta utilità; (iii) Fondamentalmente, i risultati delle esecuzioni passate vengono sintetizzati in una memoria strutturata siamese, ovvero aggiornamenti parametrici e testi astratti, consentendo un affinamento continuo. Esperimenti estesi su benchmark tabellari non strutturati e impegnativi verificano l'efficacia e evidenziano la necessità di separare la pianificazione strategica dall'esecuzione a basso livello per il ragionamento tabellare a lungo termine.

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.