.png){kind=icon}
返回
Tabular-textual question answering: From parallel program generation to large language models
.png){kind=icon}
OA
AI
DOI：10.1007/s11280-025-01351-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混合表格式-文本式问答（HTQA）涉及整合多种数据源，传统上通过基于LSTM的逐步推理进行管理。然而，此类顺序方法容易产生暴露偏差和累积误差，限制了其有效性。本文首先介绍了一种创新的并行程序生成方法ConcurGen，旨在通过同时构建全面融合操作与值的程序结构来转变这一范式。这种方法不仅修正了顺序方法论的固有缺陷，还提高了过程的效率。通过进一步研究，我们发现某些HTQA场景超出了传统问答的范畴，常涉及开放式问题，需要动态、上下文感知的响应生成。因此，我们引入了一个利用大型语言模型（LLMs）有效回答传统和开放式问题的第二框架。我们的方法在ConvFinQA和MultiHiertt等基准测试中，相较于FinQANet和MT2Net等现有模型，展现出显著改进，在多个评估指标上实现了新的最佳性能。除准确性外，它在程序生成方面实现了近21倍的加速，显著提升了推理效率。与传统模型不同，我们的系统在数值推理复杂性增加时仍能保持稳健性能，凸显其在挑战性场景中的适应性。此外，基于LLM框架的补充实验表明，它在标准基准上达到与ConcurGen相近性能的同时，提供了更丰富的答案依据。
Keyword:
Hybrid tabular-textual question answering
Large language model
FinQANet
MT2Net
期刊
W
IF:
0
论文数:
68
被引数:
0
机构
引用论文
NOAHQA: Numerical Reasoning with Interpretable Graph Question Answering DatasetNOAHQA：具有可解释图问答数据集的数值推理OAAI
.png){kind=icon}
OAAI分享收藏Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network递归神经网络 (RNN) 和长短期记忆 (LSTM) 网络的基本原理
OAAI
OAAI分享收藏分享收藏Query2GMM: Learning Representation with Gaussian Mixture Model for Reasoning over Knowledge Graphs
PREAI
分享收藏分享收藏Large language models in health care: Development, applications, and challenges医疗保健中的大型语言模型: 发展、应用和挑战OAAI
OAAI分享收藏
查看更多内容