지속적인 경험 기반 실행을 통한 심층 테이블 연구

Deep Tabular Research via Continual Experience-Driven Execution

대규모 언어 모델은 일반적으로 계층적이고 양방향 헤더 및 비표준 레이아웃을 특징으로 하는 비정형 테이블에 대한 복잡하고 장기적인 분석 작업에서 어려움을 겪습니다. 본 연구에서는 이러한 과제를 심층 테이블 연구(DTR)로 정의하며, 이는 상호 의존적인 테이블 영역에 대한 다단계 추론을 요구합니다. DTR 문제를 해결하기 위해, 우리는 테이블 추론을 폐쇄 루프 의사 결정 프로세스로 처리하는 새로운 에이전트 기반 프레임워크를 제안합니다. 특히, (i) DTR은 양방향 의미를 캡처하는 계층적 메타 그래프를 구성하여 자연어 쿼리를 작업 수준의 검색 공간으로 매핑하고, (ii) 이 공간을 탐색하기 위해, 우리는 높은 효용성을 가진 실행 경로를 우선시하는 기대치 기반 선택 정책을 도입하며, (iii) 중요한 점은, 과거 실행 결과를 Siamese 구조 메모리에 통합하여(예: 매개변수 업데이트 및 추상화된 텍스트), 지속적인 개선을 가능하게 한다는 것입니다. 어려운 비정형 테이블 벤치마크에 대한 광범위한 실험은 제안된 방법의 효과를 검증하고, 장기적인 테이블 추론을 위해 전략적 계획과 저수준 실행을 분리하는 것의 필요성을 강조합니다.

Large language models often struggle with complex long-horizon analytical tasks over unstructured tables, which typically feature hierarchical and bidirectional headers and non-canonical layouts. We formalize this challenge as Deep Tabular Research (DTR), requiring multi-step reasoning over interdependent table regions. To address DTR, we propose a novel agentic framework that treats tabular reasoning as a closed-loop decision-making process. We carefully design a coupled query and table comprehension for path decision making and operational execution. Specifically, (i) DTR first constructs a hierarchical meta graph to capture bidirectional semantics, mapping natural language queries into an operation-level search space; (ii) To navigate this space, we introduce an expectation-aware selection policy that prioritizes high-utility execution paths; (iii) Crucially, historical execution outcomes are synthesized into a siamese structured memory, i.e., parameterized updates and abstracted texts, enabling continual refinement. Extensive experiments on challenging unstructured tabular benchmarks verify the effectiveness and highlight the necessity of separating strategic planning from low-level execution for long-horizon tabular reasoning.