체인-오브-테이블: 테이블 이해를 위한 추론 체인에서의 테이블 진화

표 기반 추론이 큰 언어 모델(LLMs)을 활용하여 많은 표 이해 작업, 예를 들어 표 기반 질문 응답과 사실 확인을 해결하는 유망한 방향입니다. 일반적인 추론과 비교할 때, 표 기반 추론은 자유 형식의 질문과 반구조화된 표 데이터 모두에서 근본적인 의미를 추출해야 합니다. 사고 과정 체인(Chain-of-Thought) 및 유사한 접근 방식은 텍스트 컨텍스트 형태로 추론 체인을 통합하지만, 어떻게 효과적으로 표 데이터를 추론 체인에 활용할지는 여전히 미해결된 문제입니다. 우리는 표 데이터가 중간 사고 과정의 대리자로 명시적으로 사용되는 Chain-of-Table 프레임워크를 제안합니다. 구체적으로, 문맥 내 학습(in-context learning)을 통해 LLMs가 반복적으로 연산을 생성하고 표를 업데이트하여 표 형태의 추론 체인을 나타내도록 안내합니다.这样一来，LLMs可以根据前一个结果动态规划下一个操作。这个表的连续演变形成了一条链，展示了给定表问题的推理过程。链承载了中间结果的结构信息，从而实现更准确和可靠的预测。在多种LLM选择下，Chain-of-Table在WikiTQ、FeTaQA和TabFact基准测试中取得了新的最先进性能。为了使这段文字更加符合韩语读者的阅读习惯，我将对最后一段进行调整：이 프레임워크를 통해 LLMs는 이전 결과에 따라 다음 연산을 동적으로 계획할 수 있습니다. 이렇게 계속 진화하는 표는 하나의 체인을 형성하며, 주어진 표 문제의 추론 과정을 보여줍니다. 이 체인은 중간 결과의 구조적 정보를 담고 있어 더욱 정확하고 신뢰할 수 있는 예측이 가능해집니다. 다양한 LLM 선택에서 Chain-of-Table은 WikiTQ, FeTaQA, 그리고 TabFact 벤치마크에서 새로운 최신 성능을 달성했습니다.