혁신적인 표 질의응답(TableQA) 프레임워크 TabAF 등장: 스프레드시트 수식으로 복잡한 추론 문제 해결

Zhongyuan Wang, Richong Zhang, Zhijie Nie 세 연구자는 스프레드시트 수식을 활용한 새로운 TableQA 프레임워크 TabAF를 개발하여 다양한 표 구조와 질문 유형에 대한 유연성을 확보하고 기존 최고 성능을 뛰어넘는 결과를 달성했습니다. 새로운 데이터셋 FormulaQA 구축을 통해 연구의 신뢰성을 높였으며, 향후 LLM 기반 TableQA 기술 발전에 중요한 기여를 할 것으로 기대됩니다.

최근 급속도로 발전하는 인공지능(AI) 분야에서, 대규모 언어 모델(LLM)을 활용한 표 질의응답(TableQA) 기술이 주목받고 있습니다. 기존 TableQA 방법들은 LLM에게 답변 텍스트, SQL 쿼리, 파이썬 코드 또는 사용자 정의 연산을 생성하도록 유도하여 복잡한 추론 문제를 해결하는 데 상당한 성과를 거두었습니다. 하지만 이러한 방법들은 특정 질문 유형이나 표 구조에 대한 적응력이 부족하다는 한계를 가지고 있었습니다.

Wang, Zhang, Nie 세 연구자는 이러한 문제점을 해결하기 위해, 스프레드시트 수식이라는 널리 사용되고 명확하게 정의된 표 데이터 처리 언어에 주목했습니다. 연구팀은 스프레드시트 수식을 논리적 형태로 사용하여 다양한 구조의 표에서 복잡한 추론 문제를 해결하는 새로운 접근 방식을 제시했습니다.

이를 위해, 기존 데이터셋을 기반으로 Formula-annotated TableQA 데이터셋인 FormulaQA를 새롭게 구축했습니다. 이는 연구의 신뢰성과 재현성을 높이는 중요한 부분입니다. 또한, 다양한 유형의 표와 질문에 동시에 대응할 수 있는 일반적인 표 질의응답 프레임워크인 TabAF를 개발했습니다. TabAF는 기존 방법과 달리, 단일 LLM 백본을 사용하여 답변과 수식을 동시에 생성합니다. 이는 뛰어난 다용성과 일반화 능력을 보여줍니다.

실험 결과, Llama3.1-70B 기반의 TabAF는 WikiTableQuestion, HiTab, TabFact 등의 데이터셋에서 최첨단 성능(SOTA) 을 달성했습니다. 이는 스프레드시트 수식을 활용한 TableQA 접근 방식의 효용성을 입증하는 중요한 결과입니다. 본 연구는 LLM 기반 TableQA 기술의 한계를 극복하고, 더욱 강력하고 유연한 시스템 개발을 위한 중요한 발걸음으로 평가됩니다. 향후 연구에서는 다양한 LLM 및 데이터셋에 대한 추가 실험을 통해 TabAF의 일반화 성능을 더욱 검증하고, 실제 응용 분야로의 확장 가능성을 모색할 필요가 있습니다.