Die kontrollierte Tabellen-zu-Text-Generierung zielt darauf ab, natürlichsprachliche Beschreibungen für hervorgehobene Teilbereiche einer Tabelle zu erzeugen. Bisherige State-of-the-Art-Systeme verwenden weiterhin ein Sequenz-zu-Sequenz-Generierungsverfahren, das die Tabelle lediglich als lineare Struktur erfasst und daher anfällig für Änderungen im Tabellenlayout ist. Wir wollen dieses Paradigma überwinden, indem wir (1) die Beziehungen zwischen den einzelnen Inhaltselementen innerhalb der Tabelle effektiv ausdrücken und (2) unser Modell robuster gegenüber strukturellen Transformationen machen, die den Inhalt nicht verändern. Dementsprechend schlagen wir einen Äquivarianz-Lernrahmen vor, der Tabellen mit einem strukturbewussten Selbst-Attention-Mechanismus kodiert. Dieser reduziert die vollständige Selbst-Attention-Struktur auf einen ordnungsunabhängigen Graph-Attention-Mechanismus, der die verbundene Graphstruktur von Zellen innerhalb derselben Zeile oder Spalte erfasst, und unterscheidet strukturell zwischen relevanten und irrelevanten Zellen. Unser Rahmenwerk modifiziert zudem die Positionscodierung, um die relative Position von Token innerhalb derselben Zelle zu bewahren, gleichzeitig aber Positions-Invarianz zwischen verschiedenen Zellen zu gewährleisten. Unsere Technologie lässt sich nahtlos in bestehende Tabellen-zu-Text-Generierungsmodelle integrieren und verbessert T5-basierte Modelle, wodurch eine bessere Leistung auf ToTTo und HiTab erzielt wird. Zudem behalten wir auf einer anspruchsvolleren Version von ToTTo eine vielversprechende Leistung bei, während frühere State-of-the-Art-Systeme, selbst mit datenbasiertem Augmentierung durch Transformationen, erhebliche Leistungseinbußen zeigen. Unser Quellcode ist unter https://github.com/luka-group/Lattice verfügbar.