💬 NLP

Orthogonal Hierarchical Decomposition for Structure-Aware Table Understanding with Large Language Models

Dieses Paper schlägt das Framework der Orthogonalen Hierarchischen Dekomposition (OHD) vor, welches eine Methode der Orthogonalen Bauminduktion nutzt, um komplexe Tabellen in Spalten- und Zeilenbäume zu zerlegen, um strukturelle Hierarchien zu bewahren und dadurch die Fähigkeit von Large Language Models, unregelmäßige Tabellenlayouts zu verstehen und über diese zu schlussfolgern, signifikant zu verbessern.

Ursprüngliche Autoren: Bin Cao, Huixian Lu, Chenwen Ma, Ting Wang, Ruizhe Li, Jing Fan

Veröffentlicht 2026-06-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bin Cao, Huixian Lu, Chenwen Ma, Ting Wang, Ruizhe Li, Jing Fan

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Der „Flache-Erde“-Fehler

Stellen Sie sich vor, Sie versuchen, einem Freund, der noch nie einen Stammbaum gesehen hat, einen komplexen Familienstammbaum zu erklären. Wenn Sie einfach nur die Namen nacheinander von oben nach unten vorlesen (wie eine Einkaufsliste), wird Ihr Freund den Faden verlieren. Er wird nicht wissen, wer der Großvater ist, wer der Onkel oder welcher Zweig zu welcher Seite der Familie gehört.

Genau das passiert, wenn Large Language Models (LLMs) versuchen, komplexe Tabellen zu lesen.

Das Problem: Echte Tabellen (wie Finanzberichte oder wissenschaftliche Daten) sind unordentlich. Sie haben Kopfzeilen, die sich über mehrere Spalten erstrecken, Zellen, die zusammengeführt wurden, und Informationen, die in andere Informationen eingebettet sind.
Der alte Weg: Aktuelle KI-Methoden versuchen meist, diese Tabellen zu „flachzuklopfen“. Sie verwandeln das 2D-Gitter in eine lange, gerade Textlinie (wie einen Satz).
Das Ergebnis: Wenn die KI die Tabelle flachklopft, verliert sie die Logik des „Stammbaums“. Sie könnte denken, dass eine bestimmte Zahl zu einer falschen Kategorie gehört, weil die visuellen Hinweise (wie die Position einer Zelle) nicht mit der Textreihenfolge übereinstimmen. Es ist, als würde man einen Roman lesen, bei dem die Kapitel durcheinandergewürfelt wurden; die Geschichte ergibt keinen Sinn mehr.

Die Lösung: Das „Orthogonale Dekompositions“-Framework

Die Autoren schlagen eine neue Methode namens OHD (Orthogonal Hierarchical Decomposition) vor. Anstatt die Tabelle in eine unordentliche Linie zu pressen, bricht sie sie in zwei separate, saubere „Bäume“ auf, die zusammenarbeiten.

Betrachten Sie eine komplexe Tabelle nicht als ein einzelnes Gitter, sondern als zwei separate Karten:

Der Spaltenbaum: Eine Karte darüber, wie die vertikalen Kopfzeilen zueinander stehen.
Der Zeilenbaum: Eine Karte darüber, wie die horizontalen Kopfzeilen zueinander stehen.

Durch die Trennung dieser beiden Richtungen kann die KI die Struktur verstehen, ohne durch das unordentliche Layout verwirrt zu werden.

Wie es funktioniert: Der Drei-Schritte-Prozess

1. Die Bäume aufbauen (Orthogonal Tree Induction)

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, die Hierarchie eines Unternehmens zu entschlüsseln.

Die Regel: Sie betrachten die Tabelle und fragen: „Ist diese Zelle ein Chef (Kopfzeile) oder ein Angestellter (Datenwert)?“
Die Magie: Die KI nutzt eine spezielle Regel namens „Spatial-Semantic Synergy“. Sie schaut nicht nur darauf, wo die Zelle ist (Geometrie), sondern liest auch, was die Zelle sagt (Semantik).
- Analogie: Wenn eine Kopfzeile „Details zu 2007“ lautet und sie physisch unter einer „2016“-Kopfzeile steht, würde ein einfacher Roboter vielleicht denken, dass sie miteinander verwandt sind. Aber die OHD-KI liest den Text, erkennt, dass „2007“ und „2016“ unterschiedliche Jahre sind, und sagt: „Nein, diese sind nicht verwandt, auch wenn sie direkt untereinander stehen.“ Sie baut zwei separate Bäume auf: einen für die Zeilen und einen für die Spalten, um sicherzustellen, dass die Logik perfekt ist, bevor sie fortfährt.

2. Die Punkte verbinden (Dual-Pathway Association)

Nun, da die KI den Zeilenbaum und den Spaltenbaum erstellt hat, muss sie die Geschichte eines bestimmten Datenpunktes (wie eines bestimmten Dollarbetrags) erzählen.

Die Methode: Sie erstellt einen Satz für jede Zahl, indem sie zwei verschiedene Pfade beschreitet:
- Pfad A (Die Prämisse): „Diese Zahl steht unter der Spalte ‚Umsatz‘...“
- Pfad B (Das Attribut): „...welche in der Zeile ‚Q3‘ liegt...“
Das Ergebnis: Sie kombelt diese Pfade zu: „In der Spalte ‚Umsatz‘, für die Zeile ‚Q3‘, ist der Wert 500 $.“ Dies stellt sicher, dass die KI genau weiß, woher die Zahl aus der komplexen Struktur stammt.

3. Der Schiedsrichter (Semantic Arbitration)

Manchmal erzählen die beiden Pfade (Zeilenbaum und Spaltenbaum) die Geschichte auf leicht unterschiedliche Weise.

Die Rolle: Die KI holt einen „Schiedsrichter“ (ein Large Language Model) hinzu, der sich beide Versionen der Geschichte ansieht.
Die Entscheidung: Der Schiedsrichter wählt die klarste, logischste Version aus, um sie dem Benutzer zu präsentieren. Er fungiert wie ein Editor, der sicherstellt, dass die endgültige Geschichte leicht verständlich und frei von Widersprüchen ist.

Warum es wichtig ist (Die Ergebnisse)

Die Autoren haben diese neue Methode auf zwei schwierigen Datensätzen (AITQA und HiTab) getestet, die voller unordentlicher, komplexer Tabellen sind.

Das Ergebnis: OHD war den derzeit besten Methoden konsistent überlegen.
Die Analogie: Wenn andere Methoden wie der Versuch waren, eine Stadt mithilfe einer flachgedrückten Karte eines 3D-Gebäudes zu navigieren (bei der das 2. Stockwerk auf das 1. gedrückt wurde), dann ist OHD wie die Übergabe eines 3D-Modells des Gebäudes an die KI. Sie weiß genau, welcher Stockwerk welches ist und wie die Räume miteinander verbunden sind.
Ein spezifischer Sieg: In einem Testfall wurden andere Methoden durch ein unter einer „2016“-Kopfzeile verstecktes „2007“-Detail verwirrt und gaben die falsche Antwort. OHD identifizierte korrekt, dass dies getrennte Elemente sind, berechnete das richtige Ergebnis und umging die Falle.

Zusammenfassung

Dieses Paper führt einen Weg ein, wie man KIs beibringt, unordentliche, komplexe Tabellen zu lesen, indem man sie in zwei logische Bäume (Zeilen und Spalten) entpackt, anstatt sie in eine Linie zu quetschen. Indem sie die ursprüngliche Struktur respektiert und einen „Schiedsrichter“ nutzt, um die beste Erklärung auszuwählen, kann die KI komplexe Daten endlich verstehen, ohne den Faden zu verlieren.

Technisches Resümee: Orthogonale hierarchische Dekomposition für strukturorientiertes Tabellenverständnis mit Large Language Models

1. Problemstellung

Komplexe Tabellen in wissenschaftlichen Berichten, Finanzberichten und Business-Intelligence-Anwendungen weichen oft vom kanonischen $N \times M$ -Gitter ab. Diese Strukturen stellen zwei primäre Herausforderungen für Large Language Models (LLMs) dar:

Strukturelle Hierarchie: Mehrstufig verschachtelte Header erfordern, dass Datenzellen semantisch über Ketten von Ahnen-Labels zurückverfolgt werden können. Ohne diesen Kontext sind isolierte Einträge (z. B. „andere Städte“) mehrdeutig.
Räumlich-logische Diskontinuität: Irregulär verbundene Zellen und versetzte Header unterbrechen das Standard-Grid-Indexing. Räumliche Nähe garantiert keine logische Assoziation mehr, was dazu führt, dass traditionelles koordinatenbasiertes Scannen fehlschlägt (z. B. die Fehlinterpretation einer „Details“-Zeile als Kind einer „Jahr“-Spalte aufgrund der vertikalen Ausrichtung).

Bestehende Ansätze verlassen sich typischerweise auf flache Linearisierung (Verlust hierarchischer Abhängigkeiten), programmatische Modellierung (Schwierigkeiten bei nicht-kanonischen Layouts) oder logische Topologie-Rekonstruktion (oft basierend auf geometrischen Heuristiken, die semantische Nuancen ignorieren). Diese Methoden führen häufig zu strukturellem Kollaps oder einer Fehlausrichtung zwischen struktureller Semantik und textueller Repräsentation.

2. Methodik: Orthogonale Hierarchische Dekomposition (OHD)

Die Autoren schlagen das Framework der Orthogonalen Hierarchischen Dekomposition (OHD) vor, welches das Paradigma von der globalen Gittermodellierung hin zur Zerlegung von Tabellen in unabhängige, semantisch synchronisierte hierarchische Strukturen verschiebt. Die Pipeline besteht aus drei Kernphasen:

A. Orthogonale Baum-Induktion (OTI)

Der Kernalgorithmus faktorisiert eine Tabelle in zwei unabhängige Bäume: einen Spaltenbaum ( $T_{col}$ ) und einen Zeilenbaum ( $T_{row}$ ). Diese Entkopplung isoliert strukturelles Rauschen und bewältigt unregelmäßige Layouts, indem die logische Hierarchie jeder Dimension separat rekonstruiert wird. Die Induktion wird durch Semantisch-Räumliche Synergie geleitet:

Semantische Agentur: In $T_{col}$ fungieren nur Spaltenüberschriften als interne Verzweigungsknoten; Zeilenüberschriften und Datenzellen werden als atomare Blattknoten behandelt. Die Rollen sind für $T_{row}$ umgekehrt.
Semantisch-Räumliche Subsumtion: Eine Kante zwischen einem Eltern- und einem Kindknoten wird nur etabliert, wenn der Kindknoten räumlich innerhalb des Begrenzungsrahmens (Bounding Box) des Elternknotens liegt und ein Large Language Model (LLM) eine logische Subsumption bestätigt (z. B. Kategorienvererbung). Dies dient als neural-symbolische Brücke, um geometrische Mehrdeutigkeiten zu korrigieren.
Strukturelle Unidirektionalität: Datenzellen sind Endknoten ohne nachgeschaltete Verzweigung, was verhindert, dass Fußnoten oder Anmerkungen fälschlicherweise unter numerischen Werten verschachtelt werden.
Adaptive Daten-Verankerung: Um Konflikte zu lösen, bei denen Datenzellen auf überlappenden Grenzen konfliktreicher Header liegen, nutzt das Framework Zeilen-Grenzbedingungen, um den korrekten Eltern-Header adaptiv zuzuweisen.

B. Dualer Pfad-Assoziations-Prozess

Sobald $T_{col}$ und $T_{row}$ induziert sind, rekonstruiert das Framework die semantische Abstammung jeder Zelle mittels eines dualen Pfad-Protokolls. Für jede Datenzelle $d$ :

Prämisse-Kontext: Eine Tiefensuche (DFS) auf dem primären Baum (z. B. $T_{col}$ ) genert den Pfad der Header, die zu $d$ führen.
Attribut-Kontext: Eine Bottom-up-Traversierung des orthogonalen Baums (z. B. $T_{row}$ ) erfasst die strukturellen Attribute. Das Framework fragt den primären Baum ab, um die entsprechenden Header in der entgegengesetzten Dimension zu finden, und verwebt diese Pfade, um multidimensionale Koordinaten wiederherzustellen.
Synthese: Die finale Repräsentation folgt einer „Prämisse-Kontext $\to$ Attribut-Kontext $\to$ Wert“-Struktur und rekonstruiert die Abstammung symmetrisch aus beiden Perspektiven.

C. Semantische Arbitrierung

In Anerkennung dessen, dass $T_{col}$ und $T_{row}$ komplementäre Ansichten bieten, fungiert ein LLM als semantischer Arbitrator. Es evaluiert die synthetisierten Kandidaten-Sequenzen hinsichtlich logischer Kohärenz, Informationsvollständigkeit und syntaktischer Lesbarkeit. Mittels eines Zero-Shot-Prompts wählt das LLM die klarste Perspektive aus oder verschmilzt diese, um ein hochpräzises, strukturbewusstes textuelles Surrogat zu erzeugen, das für das nachfolgende Reasoning bereit ist.

3. Kernbeiträge

OHD-Framework: Ein neuartiges Paradigma, das komplexe Tabellen in orthogonale hierarchische Bäume zerlegt und so den strukturellen Kollaps bei nicht-standardmäßigen Layouts effektiv mildert.
Orthogonale Baum-Induktion (OTI): Ein Algorithmus, der semantisch-räumliche Kopplungsbedingungen integriert, um logische Beziehungen zu bestimmen, was die Robustheit gegenüber flexiblen Headern und verbundenen Zellen signifikant verbessert.
Dualer Pfad-Assoziations-Prozess: Ein Protokoll, das mehrschichtige semantische Abstammungslinien rekonstruiert und es LLMs ermöglicht, auf heterogenen Strukturen treffsicher zu argumentieren, indem sowohl vertikale als auch horizontale Abhängigkeiten bewahrt werden.

4. Experimentelle Ergebnisse

Das Framework wurde auf zwei komplexen Tabellen-QA-Benchmarks evaluiert: AITQA (finanzielle/statistische Tabellen) und HiTab (hierarchische Tabellen, die Multi-Hop-Reasoning erfordern).

Performance: OHD übertraf konsistent State-of-the-Art-Baselines (einschließlich Chain-of-Table, E5 und ST-RAPTOR) über mehrere LLM-Backbones hinweg (Qwen2-72B, TableLLaMA-7B, DeepSeek-V3).
- Auf AITQA mit Qwen2-72B erreichte OHD eine Exact Match (EM) von 69,34 und übertraf damit die stärkste Baseline (ST-RAPTOR) um 8,76 Punkte.
- Auf dem HiTab-Subset erreichte OHD ein EM von 64,74, eine Verbesserung um 9,01 Punkte gegenüber der Baseline.
- Die LLM Eval Avg. (semantische Genauigkeit) zeigte noch signifikantere Gewinne, wobei OHD auf AITQA 89,12 erreichte (+18,09 gegenüber ST-RAPTOR).
Ablationsstudien:
- Das Entfernen semantischer Constraints ( $w/o\ C_{semantic}$ ) verursachte einen Leistungsabfall von ca. 6 %, was die Notwendigkeit der LLM-gesteuerten semantischen Validierung bestätigt.
- Das Entfernen eines der orthogonalen Pfade ( $w/o\ TP$ ) führte zu drastischen Einbußen (bis zu 20 % auf AITQA), was die Notwendigkeit der dualen Achsen-Rekonstruktion validiert.
- Der Ersatz der dualen Pfad-Repräsentation durch Standard-Markdown/HTML-Linearisierung führte zu Verlusten von über 10 % im EM, was die Überlegenheit der hierarchischen Pfad-Repräsentation beweist.
Robustheit: OHD demonstrierte eine überlegene Resilienz mit zunehmender Tabellengröße. Während Baselines wie Chain-of-Table beim Übergang von kleinen zu großen Tabellen einen Leistungsabfall von ca. 19 Punkten erlebten, war der Rückgang bei OHD mit ca. 7 Punkten marginal.

5. Bedeutung und Behauptungen

Das Paper behauptet, dass OHD erfolgreich die Lücke zwischen komplexen zweidimensionalen Tabellen-Topologien und den linearen Reasoning-Fähigkeiten von LLMs schließt. Durch die Transformation fragiler physischer Layouts in robuste, strukturbewusste semantische Abstammungslinien adressiert das Framework die anhaltende Herausforderung des Verständnisses von Tabellen mit mehrstufigen Headern und verbundenen Zellen.

Die Autoren betonen, dass die duale Pfad-Abstammungslinie-Repräsentation der entscheidende Treiber der Performance ist, da sie den häufigen strukturellen Kollaps traditioneller Repräsentationen verhindert. Sie positionieren OHD nicht als Ersatz für LLMs, sondern als eine „Plug-and-Play“-Architektur, die die Reasoning-Fähigkeiten moderner Modelle ergänzt und verstärkt. Die Arbeit legt nahe, dass die orthogonale Dekomposition eine vielversprechende Richtung für ein granulares und zuverlässiges Tabellenverständnis in diversen realen Anwendungen darstellt, wobei zukünftige Arbeiten geplant sind, um das Framework auf ultra-große Finanzberichte auszuweiten und multimodale Signale zu integrieren.