ASTRA: 복잡한 테이블 질의 응답을 위한 적응적 의미 트리 추론 아키텍처

ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering

복잡한 테이블 질의 응답에서, 테이블 직렬화는 대규모 언어 모델(LLM)의 중요한 병목 현상이며, 구조적 간과, 표현 격차, 추론의 불투명성 등의 문제에 직면합니다. 기존의 직렬화 방법은 명시적인 계층 구조를 포착하지 못하고 스키마 유연성이 부족하며, 현재의 트리 기반 접근 방식은 제한적인 의미적 적응성을 가지고 있습니다. 이러한 한계를 극복하기 위해, 우리는 두 가지 주요 모듈인 AdaSTR과 DuTR을 포함하는 ASTRA(적응적 의미 트리 추론 아키텍처)를 제안합니다. 먼저, 우리는 LLM의 전역적인 의미 인식 능력을 활용하여 테이블을 논리적 의미 트리로 재구성하는 AdaSTR을 소개합니다. 이 직렬화 방식은 계층적 의존성을 명시적으로 모델링하고, 테이블 크기에 따라 최적화된 구성 전략을 적용하는 적응적 메커니즘을 사용합니다. 둘째, 이 구조를 기반으로, 우리는 트리 검색 기반의 텍스트 탐색을 통한 언어 정렬과 정확한 검증을 위한 심볼릭 코드 실행을 통합하는 이중 모드 추론 프레임워크인 DuTR을 제시합니다. 복잡한 테이블 벤치마크에서의 실험 결과, 우리의 방법이 최첨단(SOTA) 성능을 달성함을 보여줍니다.

Table serialization remains a critical bottleneck for Large Language Models (LLMs) in complex table question answering, hindered by challenges such as structural neglect, representation gaps, and reasoning opacity. Existing serialization methods fail to capture explicit hierarchies and lack schema flexibility, while current tree-based approaches suffer from limited semantic adaptability. To address these limitations, we propose ASTRA (Adaptive Semantic Tree Reasoning Architecture) including two main modules, AdaSTR and DuTR. First, we introduce AdaSTR, which leverages the global semantic awareness of LLMs to reconstruct tables into Logical Semantic Trees. This serialization explicitly models hierarchical dependencies and employs an adaptive mechanism to optimize construction strategies based on table scale. Second, building on this structure, we present DuTR, a dual-mode reasoning framework that integrates tree-search-based textual navigation for linguistic alignment and symbolic code execution for precise verification. Experiments on complex table benchmarks demonstrate that our method achieves state-of-the-art (SOTA) performance.