MATA: 신뢰성과 유연성을 갖춘 테이블 질의 응답을 위한 멀티 에이전트 프레임워크

MATA: Multi-Agent Framework for Reliable and Flexible Table Question Answering

최근 대규모 언어 모델(LLM)의 발전은 테이블 질의 응답(TableQA)과 같은 테이블 이해 작업에 상당한 개선을 가져왔지만, 특히 자원 제약적이거나 개인 정보 보호가 중요한 환경에서 신뢰성, 확장성 및 효율성을 확보하는 데는 여전히 어려움이 존재합니다. 본 논문에서는 MATA라는 멀티 에이전트 TableQA 프레임워크를 소개합니다. MATA는 여러 개의 상호 보완적인 추론 경로와 소규모 언어 모델로 구축된 도구들을 활용합니다. MATA는 주어진 테이블과 질문에 대해 다양한 추론 방식을 통해 후보 답변을 생성한 다음, 이러한 도구들의 도움을 받아 최적의 답변을 개선하거나 선택합니다. 또한, MATA는 비용이 많이 드는 LLM 에이전트 호출을 최소화하도록 설계된 알고리즘을 통합하여 전체적인 효율성을 향상시킵니다. MATA는 작고 공개된 모델을 사용하여 강력한 성능을 유지하며 다양한 LLM 유형에 쉽게 적용할 수 있습니다. 난이도가 다른 두 가지 벤치마크에서 십 가지 이상의 다양한 LLM을 사용하여 수행한 광범위한 실험 결과, MATA는 최첨단 정확도를 달성하고 과도한 LLM 추론을 피하면서도 매우 효율적인 추론을 수행하는 것으로 나타났습니다. 이러한 결과는 여러 추론 경로의 신중한 조화가 확장 가능하고 신뢰할 수 있는 TableQA를 가능하게 한다는 것을 보여줍니다. 코드 및 관련 자료는 https://github.com/AIDAS-Lab/MATA 에서 확인할 수 있습니다.

Recent advances in Large Language Models (LLMs) have significantly improved table understanding tasks such as Table Question Answering (TableQA), yet challenges remain in ensuring reliability, scalability, and efficiency, especially in resource-constrained or privacy-sensitive environments. In this paper, we introduce MATA, a multi-agent TableQA framework that leverages multiple complementary reasoning paths and a set of tools built with small language models. MATA generates candidate answers through diverse reasoning styles for a given table and question, then refines or selects the optimal answer with the help of these tools. Furthermore, it incorporates an algorithm designed to minimize expensive LLM agent calls, enhancing overall efficiency. MATA maintains strong performance with small, open-source models and adapts easily across various LLM types. Extensive experiments on two benchmarks of varying difficulty with ten different LLMs demonstrate that MATA achieves state-of-the-art accuracy and highly efficient reasoning while avoiding excessive LLM inference. Our results highlight that careful orchestration of multiple reasoning pathways yields scalable and reliable TableQA. The code is available at https://github.com/AIDAS-Lab/MATA.