Tablemaster: A recipe to advance table understanding with language models

Motivation

Known: 대규모 언어 모델은 텍스트 기반 작업에서 우수한 성능을 보이고 있으며, Chain-of-Thought 프롬팅 등의 기법이 개발되었다.
Gap: 그러나 테이블은 선형 텍스트와 다른 2차원 구조를 가지고 있어, 현재의 LM들이 테이블 기반 질의응답(Table-based QA)이나 사실 검증(Fact Verification) 등의 테이블 이해 작업에서 여전히 어려움을 겪고 있다.
Why: 기존 연구들은 부분 테이블 추출(Dater, Chain-of-Table) 또는 SQL/Python 프로그램 활용(Binder, LEVER)과 같은 단일 측면의 해결책만 제시했으며, 테이블 이해의 근본적인 도전과제를 체계적으로 분석한 종합적 연구가 부족했다.
Approach: 테이블의 구조적(structured), 밀집된(dense), 간결한(concise), 수치적(numerical) 특성으로부터 발생하는 4가지 도전과제를 식별하고, 각각에 대응하는 표적화된 솔루션들을 통합한 통일된 레시피(recipe)를 제시한다.

테이블 크기, 의미론적 강화, 추론 방식, 정규화의 영향을 보여주는 실험적 분석

도전과제의 체계적 분석: 4가지 핵심 도전과제 식별
- C1: 목표 데이터 위치 파악의 어려움 (표의 밀집성으로 인한 장문맥 할루시네이션)
- C2: 테이블 의미론의 부족 (희소한 의미적 맥락)
- C3: 텍스트 추론의 수치 정확도 문제 (계산 오류)
- C4: 기호 추론의 의미론적 경직성 (논리 오류, 데이터 오류)
성능 향상: WikiTQ 데이터셋에서 GPT-4o-mini 기반 78.13% 정확도 달성, 기존 베이스라인 초과

TableMaster 프레임워크의 4가지 표적화 솔루션과 적응적 추론

Table-of-Focus (S1): 질의와 관련된 핵심 테이블만 추출하여 컨텍스트 크기 감소 → C1 해결
Table Verbalization (S2): 테이블을 의미론적으로 풍부한 텍스트로 변환
- 구조 정보(header, row/column 위치) 및 각 셀의 내용 포함
- 희소한 의미적 맥락을 보완 → C2 해결
Program-aided Reasoning (S3): Python/SQL 프로그램을 통한 기호적 추론
- 수치 계산 정확도 향상 → C3 해결
Table Normalization & Text-guided Symbolic Reasoning (S4):
- 구조 정규화(structure normalization) 및 열 정규화(column normalization)
- 텍스트 기반 지도(text guidance)를 통한 기호 추론의 유연성 증대 → C4 해결
Adaptive Reasoning (AR): 쿼리의 특성에 따라 텍스트 추론과 기호 추론을 동적으로 조정
- 계산이 필요한 질문에는 프로그램 추론 활성화
- 계산이 불필요한 질문에는 텍스트 추론 사용

미세 조정 가능성: 현재는 프롬팅 기반 접근에 중점을 두고 있으나, 전문화된 모델 미세 조정과의 결합 가능성 미탐색
프롬프트 민감성: 품질 높은 테이블 의미론화 및 정규화 결과가 프롬프트 설계에 크게 의존할 수 있음
계산 복잡성: 큰 테이블의 경우 의미론화 및 정규화 과정의 계산 비용에 대한 논의 부족
언어 간 일반화: 현재는 영어 데이터셋 중심이며, 다국어 테이블 이해에 대한 평가 미흡
후속 연구 방향:
- 적응적 추론 메커니즘의 자동 학습 방법 개발
- 복합 테이블(multi-table, heterogeneous tables) 처리 확장
- 시각적 테이블 정보의 통합