A Survey of Table Reasoning with Large Language Models

本文是LLM系列文章，针对《A Survey of Table Reasoning with Large Language Models》的翻译。

摘要

表格推理，旨在根据所提供的表格，根据用户需求生成相应的问题答案，并可选地生成表格的文本描述，有效提高信息获取效率。最近，使用大型语言模型（LLM）已经成为表推理的主流方法，因为它不仅显著降低了注释成本，而且性能也超过了以前的方法。然而，现有的研究仍然缺乏对基于LLM的表推理工作的总结。由于现有的研究不足，在LLM时代，哪些技术可以提高表推理性能，LLM为什么擅长表推理，以及未来如何提高表推理能力，这些问题在很大程度上仍未得到探索。这一差距极大地限制了研究的进展。为了回答上述问题并推进LLM的表推理研究，我们进行了这项调查，以分析现有的研究，启发未来的工作。在本文中，我们分析了LLM时代用于提高表推理性能的主流技术，以及LLM与前LLM相比在解决表推理方面的优势。我们从改进现有方法和扩大实际应用两个方面提供了研究方向，以启发未来的研究。

1 引言

2 背景

3 LLM时代哪些技术可以提高表推理性能

4 LLMs为何擅长表推理

5 未来如何提高表格推理能力

6 结论

在本文中，我们总结了现有的LLM表推理研究工作。在LLM时代，前LLM时代之后的监督微调和结果集成方法仍然有效。此外，LLM时代特有的上下文学习、指令跟随和逐步推理技术也可以用于提高模型表的推理性能。此外，LLM在表格推理任务中超过了前LLM，因为LLM具有指令跟随和逐步推理能力。