PARTAB：利用结构化证据进行分区感知推理，以实现可扩展表理解

大语言模型 (LLM) 在表推理方面表现出了强大的能力，但由于不相关的上下文以及难以本地化推理所需的证据，其有效性随着表的大小和复杂性的增长而降低。现有方法通常对完整表或单个简化视图进行推理，这仍然会掩盖重要的行列关系。我们引入PARTAB（Partition-Aware Reasoning overTables），一个在LLM和表之间构建结构化证据接口的框架。 PARTAB 将与查询相关的证据表示为语义一致的、行链接的表区域，并在组合所选证据以生成答案之前对列组和行级分区执行分层选择。我们在多个表格推理基准上评估 PARTAB，涵盖问答、事实验证和数字推理。 PARTAB 不断改进全表提示和最近的几种表格推理方法，在 WikiTableQuestions 和 TabFact 上实现强劲性能，同时在数字推理上保持竞争力。其他分析表明，语义分区和有针对性的证据选择改善了证据定位，大大减少了推理上下文，并为复杂表提供了更大的好处。这些结果证明了结构化、分区感知证据构建对于可扩展表推理的价值。