SALT-KG: 기업용 테이블에서의 의미 인식 학습을 위한 벤치마크

SALT-KG: A Benchmark for Semantics-Aware Learning on Enterprise Tables

관계 예측을 위한 SALT 벤치마크(Klein et al., 2024)를 기반으로, 본 연구는 기업용 테이블에서의 의미 인식 학습(semantics-aware learning)을 위한 벤치마크인 SALT-KG를 소개한다. SALT-KG는 다중 테이블 트랜잭션 데이터를 필드 수준 설명, 관계적 의존성 및 비즈니스 객체 유형을 포착하는 메타데이터 지식 그래프(OBKG)로 표현된 구조화된 운영 비즈니스 지식과 연결함으로써 기존 SALT를 확장한다. 이러한 확장은 구조화된 데이터를 다루는 파운데이션 모델에 있어 점차 중요해지는 능력인 테이블 증거와 맥락적 의미를 결합하여 추론하는 모델을 평가할 수 있게 한다. 실증적 분석에 따르면 메타데이터 기반 특징들이 고전적인 예측 지표에서는 완만한 개선을 보이지만, 관계적 맥락에서 의미를 활용하는 모델의 능력에는 여전히 격차가 있음을 일관되게 보여준다. 테이블 예측을 의미 조건부 추론(semantics-conditioned reasoning)으로 재구성함으로써, SALT-KG는 선언적 지식에 기반한 테이블 파운데이션 모델을 발전시키기 위한 벤치마크를 수립하고, 기업 규모의 구조화된 데이터에서 의미적으로 연결된 테이블을 향한 첫 번째 실증적 발걸음을 내딛는다.

Building upon the SALT benchmark for relational prediction (Klein et al., 2024), we introduce SALT-KG, a benchmark for semantics-aware learning on enterprise tables. SALT-KG extends SALT by linking its multi-table transactional data with a structured Operational Business Knowledge represented in a Metadata Knowledge Graph (OBKG) that captures field-level descriptions, relational dependencies, and business object types. This extension enables evaluation of models that jointly reason over tabular evidence and contextual semantics, an increasingly critical capability for foundation models on structured data. Empirical analysis reveals that while metadata-derived features yield modest improvements in classical prediction metrics, these metadata features consistently highlight gaps in the ability of models to leverage semantics in relational context. By reframing tabular prediction as semantics-conditioned reasoning, SALT-KG establishes a benchmark to advance tabular foundation models grounded in declarative knowledge, providing the first empirical step toward semantically linked tables in structured data at enterprise scale.