선형화를 넘어서: 테이블 추론을 위한 속성 테이블 그래프

Beyond Linearization: Attributed Table Graphs for Table Reasoning

테이블에 제시된 데이터를 기반으로 추론하여 질문에 답하는 작업인 테이블 추론(Table reasoning)은 표 형식으로 저장된 지식이 보편화됨에 따라 중요한 주제가 되었다. 최근의 해결책들은 거대 언어 모델(LLM)을 사용하여 LLM의 의미 이해 및 추론 능력을 활용하고 있다. 이러한 해결책들의 일반적인 패러다임은 테이블을 선형화하여 평문(plain text)으로 만든 뒤 LLM의 입력으로 제공하는 것이다. 그러나 이 패러다임에는 치명적인 문제점들이 있다. 이는 테이블 구조를 손실하고, 결과의 설명 가능성을 위한 명시적인 추론 경로가 부족하며, 'lost-in-the-middle(중간 정보 소실)' 문제에 취약하다. 이러한 문제를 해결하기 위해, 우리는 테이블을 속성 테이블 그래프(ATG)로 표현하는 비학습형(training-free) 모델인 Table Graph Reasoner(TABGR)를 제안한다. ATG는 행-열-셀 구조를 명시적으로 보존하는 동시에 설명 가능성을 위한 그래프 기반 추론을 가능하게 한다. 더 나아가 우리는 테이블 데이터를 재정렬하여 lost-in-the-middle 문제를 완화하기 위해 질문 유도형 개인화 페이지랭크(QG-PPR) 메커니즘을 제안한다. 널리 사용되는 두 가지 벤치마크에 대한 광범위한 실험 결과, TABGR이 최신 모델들보다 정확도 면에서 최대 9.7%까지 지속적으로 우수한 성능을 보임을 확인했다. 우리의 코드는 논문 게재 시 공개될 예정이다.

Table reasoning, a task to answer questions by reasoning over data presented in tables, is an important topic due to the prevalence of knowledge stored in tabular formats. Recent solutions use Large Language Models (LLMs), exploiting the semantic understanding and reasoning capabilities of LLMs. A common paradigm of such solutions linearizes tables to form plain texts that are served as input to LLMs. This paradigm has critical issues. It loses table structures, lacks explicit reasoning paths for result explainability, and is subject to the "lost-in-the-middle" issue. To address these issues, we propose Table Graph Reasoner (TABGR), a training-free model that represents tables as an Attributed Table Graph (ATG). The ATG explicitly preserves row-column-cell structures while enabling graph-based reasoning for explainability. We further propose a Question-Guided Personalized PageRank (QG-PPR) mechanism to rerank tabular data and mitigate the lost-in-the-middle issue. Extensive experiments on two commonly used benchmarks show that TABGR consistently outperforms state-of-the-art models by up to 9.7% in accuracy. Our code will be made publicly available upon publication.