表格推理旨在根据提供的表格以及可选的表格文本描述,按照用户需求生成相应的问题答案,有效提高获取信息的效率。近来,使用大型语言模型(LLMs)已成为表格推理的主流方法,因为它不仅显著降低了注释成本,还超过了以往方法的性能。然而,现有研究仍然缺乏基于LLM的表格推理工作的总结。由于现有研究的缺乏,哪些技术可以在LLMs时代提高表格推理性能、LLMs为何在表格推理上表现出色、以及如何在未来增强表格推理能力的问题,仍然大部分未被探索。这一差距显著限制了研究进展。为了回答上述问题并推进LLMs下的表格推理研究,我们呈现了这篇综述,以分析现有研究,激发未来的工作。在这篇论文中,我们分析了在LLM时代用于提高表格推理性能的主流技术,以及LLMs相比于LLMs之前的模型在解决表格推理问题时的优势。我们从现有方法的改进和实际应用的扩展两个方向提供研究指导,以激发未来的研究。

成为VIP会员查看完整内容
35

相关内容

大模型时代的自动图表理解综述
专知会员服务
61+阅读 · 3月19日
因果学习在可信赖推荐系统中的应用综述
专知会员服务
15+阅读 · 2月15日
深度学习在数学推理中的应用综述
专知会员服务
41+阅读 · 2022年12月25日
专知会员服务
77+阅读 · 2021年5月30日
专知会员服务
117+阅读 · 2020年12月9日
浅析神经协同过滤NCF在推荐系统的应用
凡人机器学习
15+阅读 · 2020年10月17日
最新《图嵌入组合优化》综述论文,40页pdf
实体关系抽取方法研究综述
专知
11+阅读 · 2020年7月19日
如何使用自然语言工具包(NLTK)在Python3中执行情感分析
Python程序员
18+阅读 · 2019年10月28日
基于Tacotron模型的语音合成实践
深度学习每日摘要
15+阅读 · 2018年12月25日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Arxiv
145+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
362+阅读 · 2023年3月31日
Arxiv
60+阅读 · 2023年3月26日
Arxiv
19+阅读 · 2023年3月17日
VIP会员
相关VIP内容
大模型时代的自动图表理解综述
专知会员服务
61+阅读 · 3月19日
因果学习在可信赖推荐系统中的应用综述
专知会员服务
15+阅读 · 2月15日
深度学习在数学推理中的应用综述
专知会员服务
41+阅读 · 2022年12月25日
专知会员服务
77+阅读 · 2021年5月30日
专知会员服务
117+阅读 · 2020年12月9日
相关资讯
浅析神经协同过滤NCF在推荐系统的应用
凡人机器学习
15+阅读 · 2020年10月17日
最新《图嵌入组合优化》综述论文,40页pdf
实体关系抽取方法研究综述
专知
11+阅读 · 2020年7月19日
如何使用自然语言工具包(NLTK)在Python3中执行情感分析
Python程序员
18+阅读 · 2019年10月28日
基于Tacotron模型的语音合成实践
深度学习每日摘要
15+阅读 · 2018年12月25日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员