多表问答的潜在桥梁

我们引入了 GRAB，一种用于表问答的构造函数-编码器-桥接管道。我们的方法将关系数据提升为异构图，通过消息传递对其进行编码，并通过一小组查询条件潜在词元将信号传输到 LLM。这为 LLM 提供了紧凑的、与任务相关的结构表示以及扁平文本。至关重要的是，LLM 仍然被严格冻结以保留其一般推理能力；我们只训练轻量级图编码器和潜在桥（91M 参数），从而使整个管道得到有效训练。我们的管道显着提高了关系问答的性能，在要求严格的多表设置中获得了最大的收益，提供了一种高效、有原则的方式将关系深度学习与 LLM 连接起来。