지속적 경험 주도 실행을 통한 심층 표 형태 데이터 연구

초록

대규모 언어 모델은 일반적으로 계층적 및 양방향 헤더와 비표준 레이아웃을 특징으로 하는 비정형 테이블에 대한 복잡한 장기 분석 작업에 어려움을 겪습니다. 우리는 이러한 과제를 딥 테이블 분석(Deep Tabular Research, DTR)으로 공식화하며, 이는 상호 의존적인 테이블 영역에 대한 다단계 추론을 요구합니다. DTR을 해결하기 위해 우리는 테이블 추론을 폐쇄형 의사 결정 과정으로 취급하는 새로운 에이전트 기반 프레임워크를 제안합니다. 우리는 경로 결정 및 작업 실행을 위해 결합된 질의 및 테이블 이해를 신중하게 설계합니다. 구체적으로, (i) DTR은 먼저 양방향 의미를 포착하기 위해 계층적 메타 그래프를 구성하여 자연어 질의를 작업 수준 탐색 공간으로 매핑합니다; (ii) 이 공간을 탐색하기 위해 높은 효용 실행 경로를 우선시하는 기대 인식 선택 정책을 도입합니다; (iii) 결정적으로, 과거 실행 결과는 샴 구조화 메모리(매개변수화된 업데이트 및 추상화된 텍스트)로 통합되어 지속적인 정제를 가능하게 합니다. 까다로운 비정형 테이블 벤치마크에 대한 광범위한 실험을 통해 효과성이 검증되었으며, 장기 테이블 추론을 위해 전략적 계획과 하위 수준 실행을 분리하는 필요성이 강조되었습니다.

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.

지속적 경험 주도 실행을 통한 심층 표 형태 데이터 연구

Deep Tabular Research via Continual Experience-Driven Execution

초록

Support