TABHGR+利用超图推理将LLM零样本表格预测推理成本降至常数级

一句话结论

新框架TABHGR+将大语言模型零样本表格学习的LLM调用次数降至与数据规模无关的常数级，成本与准确率显著改善。

关键要点

• TABHGR+基于列与任务描述由LLM生成规则，为所有行分配弱标签，随后以超图分组语义相关行做标签传播，并用标签自适应权重增强超边。
• 该框架所需LLM调用次数为常数，不随数据集行数增长，显著降低推理成本。
• 相比零样本与较强少样本基线，TABHGR+在分类任务上取得更高准确率（摘要如此结论，未给出具体数值）。
• 方法适用于无标注表格数据场景，面向健康、金融等领域的零样本预测需求。

背景与事实

表格数据在健康、金融等场景中广泛存在，而零样本表格学习旨在无标注条件下做出预测。现有基于LLM的方法多采用逐行提示，推理成本高且难以利用行间依赖。

该工作于2026年10月6日提交至arXiv cs.LG，提出TABHGR+框架。其流程包括：依据列与任务描述，让LLM生成规则并为全部行赋予弱标签；为修正噪声弱标签，利用LLM生成的规则将语义相近行分组并构建超图，进行基于超图的标签传播；最后通过为超边分配标签自适应权重，进一步改进可能次优的LLM生成超图。

摘要强调，由于LLM调用次数为常数、独立于数据集规模，TABHGR+在保持较高分类准确率的同时，显著降低了推理成本，并优于零样本与强少样本基线。

影响分析

对中文开发者与从业者而言，该框架提示一条可落地的降本路径：在缺乏标注的表格任务中，用LLM生成可复用规则与超图结构替代逐行提示，可将LLM推理成本从随行数线性增长压到常数级。这适合预算受限、数据规模大的团队，如风控、运营分析等场景。需要注意，这是分析判断，实际收益取决于数据分布、列语义清晰度与任务类型，且摘要未提供具体准确率数字。

适用边界

该结论在无标注或弱标注表格、且列描述与任务说明可用的条件下成立；不适用于逐行强依赖原始上下文、列语义高度模糊或需要保留个体细粒度决策的场景，也未覆盖非表格型数据任务。

孤本观察

从本次材料看，将LLM输出从“逐行判断”转为“规则+超图传播”是成本结构变化的关键；但摘要未给出实验数字与失败案例，落地前需自行验证标签噪声与传播稳定性。这是基于现有信息的判断。

来源：arXiv cs.LG