Chain-of-Table：在推理链中演化表格以实现表格理解
计算与语言
2024-01-22 v2
摘要
基于大语言模型（LLM）的表格推理是解决许多表格理解任务（如基于表格的问答和事实验证）的一个有前景的方向。与通用推理相比，表格推理需要从自由形式的问题和半结构化表格数据中提取底层语义。思维链及其类似方法以文本上下文的形式融入推理链，但如何有效利用推理链中的表格数据仍是一个开放问题。我们提出了Chain-of-Table框架，其中表格数据作为中间思想的代理被显式用于推理链。具体来说，我们使用上下文学习引导LLM迭代生成操作并更新表格，以表示表格推理链。因此，LLM可以根据先前操作的结果动态规划下一步操作。表格的这种持续演化形成了一条链，展示了给定表格问题的推理过程。该链携带中间结果的结构化信息，从而实现更准确和可靠的预测。Chain-of-Table在WikiTQ、FeTaQA和TabFact基准测试中，在多种LLM选择下均取得了新的最先进性能。
引用
@article{arxiv.2401.04398,
title = {Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding},
author = {Zilong Wang and Hao Zhang and Chun-Liang Li and Julian Martin Eisenschlos and Vincent Perot and Zifeng Wang and Lesly Miculicich and Yasuhisa Fujii and Jingbo Shang and Chen-Yu Lee and Tomas Pfister},
journal= {arXiv preprint arXiv:2401.04398},
year = {2024}
}
备注
Accepted to ICLR 2024