Chaîne-de-Table : Évolution des Tables dans la Chaîne de Raisonnement pour la Compréhension des Tables

Le raisonnement basé sur des tables avec des grands modèles de langage (LLMs) est une direction prometteuse pour aborder de nombreuses tâches de compréhension des tables, telles que le réponse aux questions basée sur des tables et la vérification de faits. Comparé au raisonnement générique, le raisonnement basé sur des tables nécessite l'extraction des sémantiques sous-jacentes à la fois des questions libres et des données tabulaires semi-structurées. Les approches de type Chain-of-Thought et leurs variantes intègrent la chaîne de raisonnement sous forme de contexte textuel, mais il reste une question ouverte de savoir comment exploiter efficacement les données tabulaires dans cette chaîne. Nous proposons le cadre Chain-of-Table, où les données tabulaires sont explicitement utilisées dans la chaîne de raisonnement comme un intermédiaire pour les pensées intermédiaires. Plus précisément, nous guidons les LLMs en utilisant l'apprentissage en contexte pour générer itérativement des opérations et mettre à jour la table afin de représenter une chaîne de raisonnement tabulaire. Les LLMs peuvent ainsi planifier dynamiquement l'opération suivante en fonction des résultats précédents. Cette évolution continue de la table forme une chaîne, montrant le processus de raisonnement pour un problème tabulaire donné. La chaîne porte les informations structurées des résultats intermédiaires, permettant des prédictions plus précises et fiables. Chain-of-Table atteint de nouvelles performances d'état de l'art sur les benchmarks WikiTQ, FeTaQA et TabFact, quel que soit le choix du modèle LLM utilisé.