NormTab: Verbesserung der symbolischen Schlussfolgerung in LLMs durch die Normalisierung tabellarischer Daten

In den letzten Jahren haben große Sprachmodelle (Large Language Models, LLMs) bemerkenswerte Fähigkeiten beim Verarbeiten von Textdaten und der Generierung von Code gezeigt. Ihre Leistung bei Aufgaben, die tabellarische Daten beinhalten – insbesondere solche, die symbolische Schlussfolgerung erfordern – stößt jedoch auf Herausforderungen, bedingt durch die strukturelle Vielfalt und Inkonsistenz der Zellenwerte, die häufig in Webtabellen vorkommen. In diesem Paper stellen wir NormTab vor, einen neuartigen Rahmen, der darauf abzielt, die Leistung von LLMs bei symbolischer Schlussfolgerung durch Normalisierung von Webtabellen zu verbessern. Wir untersuchen die Tabellennormalisierung als eigenständigen, einmaligen Vorverarbeitungsschritt, der mithilfe von LLMs durchgeführt wird, um die symbolische Schlussfolgerung auf tabellarischen Daten zu unterstützen. Unsere experimentelle Evaluierung an anspruchsvollen Webtable-Datensätzen wie WikiTableQuestion und TabFact zeigt, dass die Nutzung von NormTab die Leistung bei symbolischer Schlussfolgerung erheblich steigert und somit die Bedeutung und Wirksamkeit der Normalisierung von Webtabellen für die Verbesserung von LLM-basierten Aufgaben der symbolischen Schlussfolgerung unterstreicht.