arXiv:2611.22310v1 cs.AI

EviDARL: 여러 표에 걸친 질의응답을 위한 교대 강화학습 기반의 근거 중심 이중 에이전트 추론

EviDARL: Evidence-Centric Dual-Agent Reasoning via Alternating Reinforcement Learning for Multi-Table Question Answering

Dunhan Li, Leilei Gan, Lirong Gao, Wenyan Fan, Yongwei Wang, Sheng Guo, Fei Wu

제출 2026-11-18

한국어 초록

대규모 언어 모델(LLM)의 표 추론 성능은 발전했지만 연구 대부분은 표 하나를 다룬다. 여러 표에 걸친 질의응답(QA)에는 복잡한 표 간 관계와 긴 문맥에 흩어진 근거를 연결하는 다단계 추론이 필요하며, 중간 과정을 검증할 기록이 없는 경우가 많다. 이를 해결하기 위해 근거 구성 에이전트와 추론·응답 에이전트로 이루어진 근거 중심 이중 에이전트 프레임워크 EviDA를 소개한다. 근거 구성 에이전트는 전체 표를 조작하는 프로그램을 생성하고 실행해 질문별 근거와 검증할 수 있는 중간 실행 기록을 만든다. 이렇게 이후 추론을 단순화한다. 추론·응답 에이전트는 이 근거에서 다단계 추론을 수행해 최종 답을 도출한다. 에이전트별 세분화한 보상과 매개변수 효율적 교대 강화학습을 결합해 협력을 개선하는 EviDARL도 도입한다. 한 에이전트를 고정한 채 다른 에이전트를 번갈아 최적화하므로 근거 구성과 답변 추론이 서로에게 맞춰 적응할 수 있다. MMQA와 TQA-Bench 실험에서 EviDARL은 모델 및 학습 예산이 제한된 조건에서도 경쟁력 있는 공개 모델과 다중 표 추론 기준선을 크게 앞섰다.

원문 초록

Despite advances in LLM-based table reasoning, most studies focus on single-table settings. Multi-table QA requires multi-hop reasoning over complex table relationships and evidence dispersed across long contexts, often without verifiable intermediate traces. To address these challenges, we introduce EviDA, an evidence-centric dual-agent framework comprising an Evidence Construction Agent and a Reasoning and Answering Agent. The Evidence Construction Agent generates and executes table-manipulation programs over complete tables to produce question-specific evidence and verifiable intermediate traces, simplifying subsequent reasoning. The Reasoning and Answering Agent then performs multi-hop reasoning over this evidence to derive final answers. We further introduce EviDARL, which combines agent-specific fine-grained rewards with parameter-efficient alternating reinforcement learning to improve collaboration between the agents. By optimizing each agent in turn while holding the other fixed, EviDARL enables bidirectional adaptation between evidence construction and answer reasoning. Experiments on MMQA and TQA-Bench demonstrate that EviDARL substantially outperforms competitive open-model and multi-table reasoning baselines under constrained model and training budgets.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2611.22310v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

공통 태그로 연결된 공개 논문이 아직 없습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.