継続的経験駆動実行による深層表形式データ研究

要旨

大規模言語モデルは、階層的かつ双方向の見出しと非正規化されたレイアウトを特徴とする非構造化テーブルに対する複雑な長期的分析タスクにおいて、しばしば困難に直面する。我々はこの課題をDeep Tabular Research（DTR）として形式化し、相互依存的なテーブル領域に対する多段階推論を必要とする。DTRに対処するため、表形式推論を閉ループ意思決定プロセスとして扱う新しいエージェントフレームワークを提案する。経路決定と操作実行のための結合されたクエリとテーブル理解を注意深く設計する。具体的には、(i) DTRはまず双方向の意味論を捕捉する階層的メタグラフを構築し、自然言語クエリを操作レベルの探索空間に写像する。(ii) この空間を探索するため、高効用な実行経路を優先する期待値認識選択ポリシーを導入する。(iii) 決定的に、過去の実行結果はシャム構造化メモリ、すなわちパラメータ化された更新と抽象化されたテキストへと統合され、継続的な改善を可能にする。困難な非構造化テーブルベンチマークにおける大規模な実験により、有効性が検証され、長期的表形式推論において戦略的計画と低レベル実行を分離する必要性が強調された。

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.

継続的経験駆動実行による深層表形式データ研究

Deep Tabular Research via Continual Experience-Driven Execution

要旨

Support