💬 NLP

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

本論文は、複雑な表を列および行のツリーへと分解することで構造的階層を保持する直交木誘導法を利用した、直交階層分解（OHD）フレームワークを提案しており、これにより、不規則な表レイアウトに関する大規模言語モデルの理解および推論能力を大幅に向上させている。

原著者： Bin Cao, Huixian Lu, Chenwen Ma, Ting Wang, Ruizhe Li, Jing Fan

公開日 2026-06-26

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Bin Cao, Huixian Lu, Chenwen Ma, Ting Wang, Ruizhe Li, Jing Fan

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

問題点：「平坦な地球」の間違い

想像してみてください。あなたは、家族の系図を一度も見たことがない友人に、複雑な家系図について説明しようとしています。もし、あなたが単に上から下へと名前を読み上げるだけ（まるで買い物リストのように）だと、友人は迷子になってしまうでしょう。誰が祖父で、誰が叔父なのか、あるいはどの枝がどちらの家系に属しているのかが分からなくなってしまうのです。

これは、大規模言語モデル（LLM）が複雑な表を読もうとする時に起こる現象です。

問題点: 現実世界の表（財務報告書や科学データなど）は、非常に乱雑です。複数の列にまたがるヘッダーがあったり、セルが結合されていたり、情報の中に別の情報が入れ子構造になっていたりします。
従来の方法: 現在のAI手法の多くは、これらの表を「平坦化（フラット化）」しようとします。つまり、2次元のグリッドを、長い一本のテキストの列（文章のようなもの）に変えてしまうのです。
結果: AIが表を平坦化すると、「家系図」のような論理構造が失われてしまいます。視覚的な手がかり（セルがどこに配置されているか）とテキストの順序が一致しなくなるため、特定の数値が間違ったカテゴリに属していると判断してしまう可能性があります。それは、章の順番がバラバラになった小説を読んでいるようなもので、ストーリーが意味をなさなくなってしまうのです。

解決策：「直交分解（Orthogonal Decomposition）」フレームワーク

著者らは、**OHD（Orthogonal Hierarchical Decomposition：直交階層分解）**と呼ばれる新しい手法を提案しています。表を乱雑な一本の線に押しつぶすのではなく、互いに連携して機能する、2つの別々のクリーンな「ツリー（木構造）」へと分解します。

複雑な表を、単一のグリッドとしてではなく、2つの別々の地図として考えてみてください。

列のツリー（Column Tree）: 垂直方向のヘッダーがどのように互いに関連しているかを示す地図。
行のツリー（Row Tree）: 水平方向のヘッダーがどのように互いに関連しているかを示す地図。

これら2つの方向を分離することで、AIは乱雑なレイアウトに惑わされることなく、その構造を理解することができます。

その仕組み：3つのステップ

1. ツリーの構築（直交ツリー誘導）

あなたが会社の階層構造を解明しようとしている探偵だと想像してください。

ルール: あなたは表を見て、「このセルはボス（ヘッダー）なのか、それとも従業員（データ）なのか？」と問いかけます。
魔法: AIは**「空間的・意味的シナジー（Spatial-Semantic Synergy）」**という特別なルールを使用します。AIは単にセルの位置（幾何学的な位置）を見るだけでなく、そのセルが何を意味しているか（意味論）も読み取ります。
- 比喩: もしヘッダーに「2007年の詳細」と書かれていて、それが物理的に「2016」というヘッダーの下に配置されていた場合、単純なロボットならそれらが関連していると考えてしまうかもしれません。しかし、OHD AIはテキストを読み、「2007」と「2016」は異なる年であると理解し、「たとえ隣り合っていても、これらは関連していない」と判断します。このようにして、行と列に対して別々のツリーを構築し、進む前に論理が完璧であることを確認します。

2. 点と線を結びつける（二重経路の関連付け）

さて、AIが「行のツリー」と「列のツリー」を構築したところで、次に特定のデータポイント（例えば特定の金額）についての物語を作る必要があります。

手法: AIは2つの異なる経路を辿ることで、すべての数値に対して一つの文章を作成します。
- 経路A（前提）: 「この数値は『売上』列の下にあり……」
- 経路B（属性）: 「……そして、それは『第3四半期』の行に含まれる……」
結果: これらの経路を組み合わせ、「『第3四半期』の行における『売上』の数値は500ドルである」と伝えます。これにより、AIは複雑な構造の中でその数値が正確に「どこから来たのか」を確実に把握できます。

3. レフェリー（意味論的仲裁）

時として、2つの経路（行のツリーと列のツリー）が、少し異なる物語を語ってしまうことがあります。

役割: AIは「レフェリー（審判）」となる大規模言語モデルを呼び出し、両方のバージョンの物語を確認させます。
決定: レフェリーは、最も明確で論理的なバージョンの物語を選び出し、ユーザーに提示します。これは、最終的な物語が理解しやすく、矛盾がないことを保証するエディター（編集者）のような役割を果たします。

なぜ重要なのか（結果）

著者らは、この新しい手法を、乱雑で複雑な表が含まれる2つの困難なデータセット（AITQAおよびHiLab）でテストしました。

成果: OHDは、一貫して既存の最良の手法を上回る成績を収めました。
比喩: 他の手法が、3D建築物の平面図（2階が1階に押しつぶされた状態）を使って街をナビゲートしようとしているのだとしたら、OHDはAIにその建物の3Dモデルを与えているようなものです。どのフロアがどのフロアで、どのように部屋がつながっているのかを正確に把握できるのです。
具体的な勝利: あるテストケースでは、他の手法は「2016」のヘッダーの下に隠れた「2007」の詳細に混乱し、誤った答えを出してしまいました。しかし、OHDはそれらが別物であることを正しく識別し、正しい計算を行い、その罠を回避しました。

まとめ

この論文は、複雑な表を一本の線に押しつぶすのではなく、2つの論理的なツリー（行と列）へと**「ジッパーを開ける（unzip）」**ことで、AIに複雑な表の読み方を教える方法を紹介しています。元の構造を尊重し、「レフェリー」を使って最適な説明を選択することで、AIは迷うことなく複雑なデータを理解できるようになりました。

技術要約：大規模言語モデルを用いた構造認識型テーブル理解のための直交階層分解

1. 問題提起

科学報告書、財務諸表、ビジネスインテリジェンスに見られる複雑な表は、標準的な $N \times M$ グリッドから逸脱していることがよくあります。これらの構造は、大規模言語モデル（LLM）に対して主に2つの課題を突きつけます。

構造的階層性（Structural Hierarchy）： 多層の入れ子状ヘッダーは、データセルが祖先ラベルの連鎖を通じて意味的に遡及されることを要求します。このコンテキストがなければ、「その他の都市」のような孤立したエントリは曖昧なものとなります。
空間的・論理的不連続性（Spatial-Logical Discontinuity）： 不規則なセルの結合やオフセットされたヘッダーは、標準的なグリッド・インデックス作成を破壊します。空間的な近接性は必ずしも論理的な関連性を保証せず、従来の座標ベースのスキャンは失敗します（例：垂直方向の整列によって、「詳細」行を「年」列の子であると誤認するなど）。

既存のアプローチは、フラットな線形化（階層的依存関係の喪失）、プログラムによるモデリング（非標準的なレイアウトへの対応困難）、または論理トポロジー再構成（幾何学的なヒューリスティックに依存し、意味的なニュアンスを無視する）に依存しています。これらの手法は、しばしば構造的な崩壊や、構造的意味論とテキスト表現の間の不整合を引き起こします。

2. 手法：直交階層分解 (Orthogonal Hierarchical Decomposition: OHD)

著者らは、テーブルをグローバルなグリッド・モデリングから、独立して意味的に同期された階層構造へと分解することへとパラダイムを転換する、**直交階層分解（OHD）**フレームワークを提案しています。このパイプラインは、3つのコア段階で構成されます。

A. 直交木誘導 (Orthogonal Tree Induction: OTI)

コアとなるアルゴリズムは、テーブルを2つの独立した木、すなわち列木 ( $T_{col}$ ) と 行木 ( $T_{row}$ ) に因数分解します。このデカップリング（分離）により、構造的なノイズを隔離し、各次元の論理的階層を個別に再構成することで、不規則なレイアウトに対処します。誘導は**意味的・空間的シナジー（Semantic-Spatial Synergy）**によって導かれます。

意味的エージェンシー（Semantic Agency）： $T_{col}$ において、列ヘッダーのみが内部分岐ノードとして機能し、行ヘッダーとデータセルは原子的なリーフノード（葉ノード）として扱われます。役割は $T_{row}$ では逆になります。
意味的・空間的包含関係（Semantic-Spatial Subsumption）： 親と子の間のエッジは、子が親のバウンディングボックス内に空間的に含まれており、かつLLMが論理的な包含関係（例：カテゴリの継承）を確認した場合にのみ確立されます。これは、幾何学的な曖昧さを修正するためのニューロ・シンボリックな架け橋として機能します。
構造的一方向性（Structural Unidirectionality）： データセルは下方への分岐を持たない終端ノードであり、数値の下に脚注や備考が不当にネストされることを防ぎます。
適応的データアンカリング（Adaptive Data Anchoring）： 競合するヘッダーの重複境界にデータセルが存在する場合の衝突を解決するため、フレームワークは行境界の制約を使用して、正しい親ヘッダーを適応的に割り当てます。

B. 二重経路結合 (Dual-Pathway Association)

$T_{col}$ と $T_{row}$ が誘導されると、フレームワークは二重経路プロトコルを用いて各セルの意味的系譜を再構成します。任意のデータセル $d$ について：

前提コンテキスト（Premise Context）： プライマリ・ツリー（例： $T_{col}$ ）に対する深さ優先探索（DFS）により、 $d$ に至るヘッダーのパスを生成します。
属性コンテキスト（Attribute Context）： 直交するツリー（例： $T_{row}$ ）のボトムアップ・トラバーサルにより、構造的属性を捕捉します。フレームワークは反対の次元における対応するヘッダーを見つけるためにプライマリ・ツリーにクエリを投げ、これらのパスをインターリーブ（交互に配置）することで、多次元的な座標を復元します。
合成（Synthesis）： 最終的な表現は、「前提コンテキスト $\to$ 属性コンテキスト $\to$ 値」という構造に従い、両方の視点から系譜を対称的に再構成します。

C. 意味的仲裁 (Semantic Arbitration)

$T_{col}$ と $T_{row}$ が補完的なビューを提供することを認識し、LLMが**意味的仲裁者（semantic arbitrator）**として機能します。LLMは、論理的一貫性、情報の完全性、および構文上の可読性に基づいて、合成された候補シーケンスを評価します。ゼロショット・プロンプトを用いて、LLMは最も明確な視点を選択するか、あるいはそれらをブレンドして、ダウンストリームの推論に適した高忠実度で構造認識型のテキスト代理物を生成します。

3. 主な貢献

OHDフレームワーク： テーブルを直交する階層ツリーへと分解することで、非標準的なレイアウトにおける構造的崩壊を効果的に軽減する新しいパラダイム。
直交木誘導 (OTI)： 空間的・意味的な共制約を取り入れ、論理的関係を決定するアルゴリズムであり、柔軟なヘッダーやセルの結合に対して堅牢性を大幅に向上させる。
二重経路結合： 多層的な意味的系譜を再構成するプロトコルであり、垂直方向および水平方向の依存関係を保持することで、LLMが異種構造に対して忠実な推論を行うことを可能にする。

4. 実験結果

本フレームワークは、2つの複雑なテーブルQAベンチマーク、AITQA（財務・統計テーブル）および HiTab（階層構造を要するテーブル）を用いて評価されました。

パフォーマンス： OHDは、複数のLLMバックボーン（Qwen2-72B, TableLLaMA-7B, DeepSeek-V3）において、最先端のベースライン（Chain-of-Table, E5, ST-RAPTORを含む）を一貫して上回りました。
- AITQA における Qwen2-72B 使用時、OHD は 69.34 の Exact Match (EM) を達成し、最強のベースラインである ST-RAPTOR を 8.76 ポイント上回りました。
- HiTab サブセット において、OHD は EM 64.74 を達成し、ベースラインに対して 9.01 ポイントの改善を示しました。
- LLM Eval Avg.（意味的正確性）ではさらに顕著な利得が見られ、OHD は AITQA で 89.12 に達しました（ST-RAPTOR より +18.09）。
アブレーション研究：
- 意味的制約を除去した場合（ $w/o\ C_{semantic}$ ）、パフォーマンスは約6%低下し、LLMによる意味的検証の必要性が確認されました。
- 直交経路のいずれか一方を除去した場合（ $w/o\ TP$ ）、性能は劇的に低下し（AITQA で最大20%の低下）、二重軸再構成の必要性が検証されました。
- 二重経路表現を標準的な Markdown や HTML の線形化に置き換えると、EM で10%以上の損失が生じ、階層的パス表現の優位性が証明されました。
堅牢性： OHD は、テーブルの規模が増大しても優れた耐性を示すことが実証されました。Chain-of-Table などのベースラインが小規模から大規模なテーブルへの移行に伴い約19ポイント低下したのに対し、OHD の低下は約7ポイントと軽微でした。

5. 意義と主張

本論文は、OHD が複雑な二次元テーブルのトポロジーと、LLM の線形推論能力との間の溝を埋めることに成功したと主張しています。脆弱な物理的レイアウトを、堅牢で構造認識型の意味的系譜へと変換することで、本フレームワークは、多層ヘッダーや結合セルを持つテーブルの理解における永続的な課題に対処しています。

著者らは、二重経路の系譜表現こそがパフォーマンスの主要な原動力であり、従来の表現において一般的な構造的崩壊を効果的に防いでいると強調しています。彼らは OHD を、LLM の代替物としてではなく、現代のモデルの推論能力を補完し増幅させる「プラグアンドプレイ」型のアーキテクチャとして位置付けています。この研究は、直交分解が、多様な実世界のアプリケーションにおいて、粒度の高い信頼できるテーブル理解を実現するための有望な方向性であることを示唆しており、将来的には超大規模な財務報告書への拡張やマルチモーダル信号の統合が計画されています。