[논문 리뷰] Orthogonal Hierarchical Decomposition for Structure-Aware Table Understanding with Large Language Models

Bin Cao, Huixian Lu외 4명|arXiv (Cornell University)|2026. 02. 02.

Data Quality and Management인용 수 0

한 줄 요약

논문은 Orthogonal Hierarchical Decomposition(OHD) 프레임워크와 Orthogonal Tree Induction(OTI) 및 구조 인식 표 이해를 가능하게 하는 이중 경로 연합 프로토콜을 도입하여 LLM의 구조 인식 표 이해를 가능하게 하고, AITQA와 HiTab에서 최첨단 성과를 달성한다.

ABSTRACT

Complex tables with multi-level headers, merged cells and heterogeneous layouts pose persistent challenges for LLMs in both understanding and reasoning. Existing approaches typically rely on table linearization or normalized grid modeling. However, these representations struggle to explicitly capture hierarchical structures and cross-dimensional dependencies, which can lead to misalignment between structural semantics and textual representations for non-standard tables. To address this issue, we propose an Orthogonal Hierarchical Decomposition (OHD) framework that constructs structure-preserving input representations of complex tables for LLMs. OHD introduces an Orthogonal Tree Induction (OTI) method based on spatial--semantic co-constraints, which decomposes irregular tables into a column tree and a row tree to capture vertical and horizontal hierarchical dependencies, respectively. Building on this representation, we design a dual-pathway association protocol to symmetrically reconstruct semantic lineage of each cell, and incorporate an LLM as a semantic arbitrator to align multi-level semantic information. We evaluate OHD framework on two complex table question answering benchmarks, AITQA and HiTab. Experimental results show that OHD consistently outperforms existing representation paradigms across multiple evaluation metrics.

연구 동기 및 목표

• 다층 표 머리글, 병합 셀, 불규칙한 배치 등의 이해 도전에 대응한다.
• 표 구조를 독립적인 열 계층과 행 계층으로 분리해 계층적 의미를 보존한다.
• 이중 경로 연합으로 표 셀의 시맨틱 계보를 재구성하고 LLM 기반 중재를 활용한다.
• 벤치마크 데이터셋(AITQA, HiTab)에서 비정규 표 레이아웃에 대한 강인성을 입증한다.
• 시맨틱 술어, 이중 경로, 중재의 기여를 검증하기 위한 제거 실험(ablation)을 보여준다.

제안 방법

• Semantic-Spatial Synergy에 의해 안내되는 열 트리와 행 트리로 표를 분해하는 Orthogonal Hierarchical Decomposition(OHD)를 도입한다.
• 시맨틱 술어와 공간 제약을 사용해 트리를 구축하는 두 단계인 Header Skeleton Induction과 Adaptive Data Anchoring을 갖춘 Orthogonal Tree Induction(OTI)를 개발한다.
• 주축과 직교 축으로부터 각 데이터 셀에 대한 구조화된 컨텍스트를 구축하는 Dual-Pathway Association Reconstruction을 적용하며 경계 인식 앵커링을 사용한다.
• 이중 입력으로부터 최종 구조 인식 표현을 다듬고 합성하기 위해 다경로 시맨틱 중재를 사용한다.
• 논리적 응집성, 완전성, 가독성을 최적화하기 위해 제로샷 프롬프트를 통해 LLM에 최종 구조 인식 텍스트 대리 표기를 제공한다.

Figure 1 : Illustration of table complexity and structural diversity. The examples encompass several challenging non-standard layouts. (a) : Tables featuring multi-level nested column headers and merged data cells; (b) : Tables characterized by deep hierarchical row header structures; (c) : Complex

실험 결과

연구 질문

• RQ1 복잡한 표를 어떻게 계층 머리글과 불규칙 레이아웃에서도 의미를 보존하는 직교 구조 표현으로 분해할 수 있는가?
• RQ2 직교(행/열) 계층과 이중 경로 연합이 비표준 표에서 LLM의 추론을 개선할 수 있는가?
• RQ3 시맨틱 술어와 LLM 기반 중재가 표 QA 성능에 미치는 영향은 무엇인가?
• RQ4 선형화 및 스키마 기반 기준선과 비교하여 AITQA 및 HiTab 같은 도전적인 벤치마크에서 OHD의 성능은 어떠한가?

주요 결과

• OHD는 baselines와 비교하여 EM 및 LLM 기반 평가에서 AITQA 및 HiTab에서 우수한 성능을 달성한다.
• 이중 직교 트리(열 및 행)를 사용하면 유연한 헤더 및 비정규 레이아웃에 대한 강인성이 크게 향상된다.
• 시맨틱 술어와 LLM 기반 중재는 중요하며 이를 제거하면 성능이 현저히 저하된다.
• 계보 표현(Markdown/HTML)은 복잡 표에 대해 OHD의 이중 경로 토폴로지보다 현저히 효과가 낮다.
• 제거 실험은 전체 OHD가 백본(Qwen2-72B 및 TableLLaMA-7B)에서 최상의 결과를 낳음을 보여준다.

Figure 2 : Workflow of the OHD framework. The process begins with a Categorized Table Input where each cell is pre-identified as a Row Header, Column Header, or Data unit. The pipeline then proceeds in three stages: (1) Orthogonal Tree Induction (OTI) to decompose the table into independent row and