通过法学硕士的超图推理进行零样本表格学习

摘要

arXiv:2610.23923v1 Announce Type: new Abstract: Tabular data are prevalent across diverse domains such as healthcare and finance. Zero-shot tabular learning aims to make predictions without labeled da...

and LLM shot data based generated rules label rows hypergraph

2026-10-20 1 阅读约1分钟阅读 Geon Lee, Kyungho Kim, Dongwon Choi, Juyeon Kim, Shinhwan Kang, Kijung Shin

arXiv:2610.23923v1 公告类型：新摘要：表格数据在医疗保健和金融等不同领域普遍存在。零样本表格学习旨在在没有标记数据的情况下进行预测。然而，现有的基于LLM的方法依赖于行提示，导致推理成本很高并且行间依赖关系的使用有限。在这项工作中，我们提出了 TABHGR+，这是一种用于表格数据的高效关系感知零样本框架，它利用 LLM 生成的规则来标记和分组行。具体来说，根据列和任务描述，我们使用 LLM 生成为所有行分配弱标签的规则。为了细化这些嘈杂的弱标签，我们通过使用 LLM 生成的规则对语义相关的行进行分组来构建超图，并执行基于超图的标签传播。最后，我们通过为超边分配标签自适应权重，进一步增强了 LLM 生成的用于传播的超图，这可能是次优的。通过仅需要恒定数量的 LLM 调用（与数据集大小无关），TABHGR+ 大大降低了推理成本，同时实现了比零样本和强少样本基线更高的分类精度。

订阅66必读