Instabilità del Recupero di Tabelle tra Serializzazioni Affrontata con la Media dei Centroidi

Una recente indagine pubblicata su arXiv (2604.24040) indica che i sistemi basati su transformer per il recupero di tabelle mostrano una significativa sensibilità ai formati di serializzazione. Quando le tabelle strutturate vengono convertite in sequenze di token, formati semanticamente simili, come CSV, TSV, HTML, Markdown e DDL, producono embedding e risultati di recupero marcatamente diversi attraverso vari benchmark e tipi di retriever. I ricercatori suggeriscono di considerare gli embedding di serializzazione come rappresentazioni rumorose di un segnale semantico unificato, sostenendo l'uso del loro centroide come rappresentazione target standard. Mediando i centroidi, le variazioni specifiche del formato vengono minimizzate, consentendo il recupero del contenuto semantico condiviso tra diverse serializzazioni, in particolare quando i cambiamenti indotti dal formato variano tra le tabelle. Le rappresentazioni centroidi dimostrano prestazioni superiori rispetto ai singoli formati nelle valutazioni aggregate a coppie su MPNet e altri modelli retriever.