该研究主要介绍了一个针对航空业公司数据集的领域特定的表格问答数据集 AIT-QA，分析了使用 Transformer 模型进行 Table QA 的现有方法在处理领域特定的表格数据时面临的挑战，并提出了一些实用的表格预处理步骤。

Jun, 2021

我们提出了一种基于表格对齐的单元格选择和推理模型，它具有对齐问题到表格的能力，用于细粒度证据检索和答案推理，并在 HybridQA 数据集上实现了领先的结果。

May, 2023

本文设计了新的挑战测试基准 WikiSQL-TS 和 WikiTQ-TS，模拟了实际主题转移场景，并提出了适用于 TableQA 的 T3QA（主题可转移的表格问题回答）方案，包括注入特定主题词汇、生成主题专用训练数据生成程序和逻辑形式重新排序器。我们认为我们的主题分裂基准将会促进更好的部署的鲁棒的 TableQA 解决方案。

Sep, 2021

本研究提出了一种基于 Transformer 的端到端表格问答系统，可以将自然语言问题和大量表格语料库输入，以检索最相关的表格并定位正确的单元格以回答问题．该系统可以生成复杂表格上的候选列和行的热图，并允许用户快速标识回答问题的正确单元格．此外，研究提出了两个新的开放领域基准测试，E2E_WTQ 和 E2E_GNQ，旨在验证 CLTR 以及适用于未来的表格检索和端到端表格 QA 研究和实验．

Jun, 2021

我们提出了 T-RAG，一个端到端的表格问答（Table QA）模型，其中一个非参数密集向量索引与 BART 共同微调，通过一个统一的流程搜索表格语料库来直接定位正确答案，并将其应用到最近的开放域表格 QA 基准测试中，并证明微调后的 T-RAG 模型在端到端表格 QA 和表格检索任务中均能够取得最先进的性能。

Mar, 2022

我们提出了一种用于回答基于结构化对象的时序问题的新方法，可以编码表格为图，使用指针网络从编码图中选择答案。我们展示了该方法在 SQA 任务上具有竞争性的结果。

Aug, 2019

本文研究如何利用少量参数来实现在结构化表格数据和非结构化文本数据上执行抽象问答（QA）的编码器 - 解码器模型，通过在转换器层之间添加和训练小型任务特定的瓶颈层来实现参数节约。通过在编码器和解码器模块上消融适配器层，研究了效率与性能之间的权衡，证明将可训练参数减少到 0.7％ -1.0％可以产生可比较的结果，实证表明所提模型在 Tablesum 和 FeTaQA 等表格 QA 数据集上优于当前最先进的模型，并在 NarrativeQA 等文本 QA 数据集上实现了可比性能且训练参数明显少于针对性 fine-tuning 方法。

Apr, 2022

提出了一种基于 Transformer 模型的实时电子商务产品页面问答系统，在 CQA 对中检索到与用户查询相关的问题答案对，该模型学习统一的句法和语义表示，同时利用 CQA 对进行远程监督，通过在离线和在线实验中的大规模评估，证明了该框架在电子商务 QA 流量方面具有很好的性能。

Apr, 2021

为了分析深度表格表示学习模型的扩展潜力，我们引入了一种专门针对表格数据的基于 Transformer 的架构，通过利用表格特定的分词器和共享的 Transformer 主干来进行交叉表格表示学习。我们的训练方法包括单表和交叉表格模型，通过自我监督的掩码式单元恢复目标进行缺失值填充。为了了解我们方法的扩展行为，我们训练了不同规模的模型，参数范围从大约 $10^4$ 到 $10^7$。这些模型在精心策划的预训练数据集上进行训练，包含来自 76 个不同数据集的 135M 个训练令牌。通过使用线性推测在精心策划的基准数据集上评估预训练模型并与传统基准进行比较，我们评估了我们架构在单表和交叉表格预训练设置中的扩展性。

Sep, 2023

本研究探讨了基于 Transformer 的 QA 模型中问题、答案和上下文的隐藏表示，并通过观察回答表示中的一致性模式来自动评估预测出的答案跨度是否正确，其方法不需要任何标记数据且优于强启发式基线，在两个数据集和七个领域上均能够达到较高准确率。

Oct, 2020