Apr, 2024

Auto-Formula: 使用对比学习的表格表示推荐电子表格中的公式

PDF
TL;DR通过学习和应用已存在于类似电子表格中的公式，使用类似于计算机视觉中的 “相似人脸识别” 的对比学习技术，我们开发了一种名为 Auto-Formula 的系统，可以准确预测用户想要在目标电子表格单元格中编写的公式。
spreadsheetsend-user programmingformula-based computationauto-formulacontrastive-learning techniques
发现论文，激发创造
  • FORTAP: 使用公式进行数值推理感知表格预训练

    本研究提出了 FORTAP，通过利用海量电子表格公式语料库设计两个公式预训练任务，利用电子表格公式自然而然的强数值推理监督来实现表格预训练。研究结果表明，FORTAP 在单元格类型分类和公式预测任务上取得了最先进的结果，展示了数值推理预训练的巨大潜力。

    Sep, 2021

  • SpreadsheetCoder：基于半结构化上下文的公式预测

    通过使用半结构化表格数据和表头，我们提出了第一个从表格语境中综合电子表格公式的方法，包括行和列格式的电子表格中的表格上下文。具体而言，我们提出了基于 BERT 的模型体系结构 SpreadsheetCoder，在大型电子表格数据集上对我们的模型进行了训练，并证明了其在表格上下文中表现出的高准确度。

    Jun, 2021

  • 自然语言查询生成电子表格公式

    介绍了一项名为 NL2Formula 的新型基准任务，通过提供自然语言查询作为输入，生成与电子表格表格相关的可执行公式，并构建了包含 70,799 个成对的自然语言查询和对应电子表格公式的全面数据集，验证了 fCoder 的有效性和优越性。

    Feb, 2024

  • CORNET：通过示例学习表格格式规则

    CORNET 是一种基于归纳式编程和神经排序器相结合的系统，旨在通过从带格式单元格的用户示例中学习条件格式规则来处理自动格式化类的表格。

    Aug, 2022

  • ExceLint: 自动发现电子表格公式错误

    本文提出了一种静态分析方法 ExceLint，主要对电子表格中的公式错误进行检测，通过信息理论的方法识别对其方形区域影响大的异常值，是一种在 Microsoft Excel 上开发的快速高效的电子表格分析工具。

    Jan, 2019

  • 测量电子表格公式的可理解性

    本文建立了一套电子表格易于理解的指标体系，通过研究电子表格专业人士的对于理解困难原因的特征分析确定了多个指标，结果表明公式中条目数、嵌套深度以及条件操作的存在显著增加了电子表格理解的困难度。

    Sep, 2012

  • 电子表格测评：迈向挑战现实世界电子表格操作

    通过从在线 Excel 论坛收集的 912 个真实问题和相关表格构建的 SpreadsheetBench 测试数据集，我们介绍了一种挑战性的电子表格处理基准，旨在使当前的大型语言模型真正融入电子表格用户的实际工作流程中。我们提出了一种更可靠的评估指标，并对不同的大型语言模型在单轮和多轮推断条件下进行综合评估，结果显示这个基准测试非常困难，并且是目前最先进模型和人类性能之间的差距。

    Jun, 2024

  • FLAME：适用于电子表格公式的小型语言模型

    FLAME 是一个基于 T5 的模型，通过在 Excel 公式中利用领域洞察力， using sketch deduplication，introduce an Excel-specific formula tokenizer and use domain-specific versions of masked span prediction and noisy auto-encoding aspretraining objectives，将模型数量大幅减少（60M parameters）和训练数据量两个数量级。FLAME 优于 Codex-Davinci（175B），Codex-Cushman（12B）和 CodeT5（220M）等较大的模型，可广泛应用于公式修复、公式自动完成以及语法重构等方面。

    Jan, 2023

  • 自动表格：无需使用示例合成多步转换以在关系化表格中进行

    Auto-Tables 系统使用多步转换（使用 Python 或其他语言）自动合成数据流水线，将非关系型表转化为标准关系形式，以满足下游分析的需求，无需用户手动编写转换程序。

    Jul, 2023

  • CORNET 演示：通过示例学习电子表格格式规则的系统

    CORNET 是一个利用数据样本自动学习条件格式化规则的系统，通过运用归纳程序合成、基于半监督聚类和迭代决策树学习的符号规则枚举以及神经排序器等方法，能够自动生成准确的条件格式化规则，它可以作为微软 Excel 的简单插件，通过用户提供的示例单元格，为用户生成适用于电子表格的格式化规则建议。

    Aug, 2023