ReSS es un marco que une modelos de razonamiento simbólicos y neuronales para la predicción de datos tabulares, buscando alta precisión y razonamiento comprensible. Utiliza árboles de decisión para extraer andamios simbólicos que guían a un LLM a generar razonamiento en lenguaje natural, que se utiliza para el ajuste fino de LLMs en tareas de razonamiento tabular.
Esta investigación presenta "Schema-Adaptive Tabular Representation Learning", un método novedoso que utiliza Large Language Models (LLMs) para crear embeddings tabulares transferibles. Al transformar variables estructuradas en declaraciones semánticas de lenguaje natural, permite la alineación zero-shot entre esquemas de EHR variables en medicina clínica, sin ingeniería de características manual.
Se introduce Geometry-Aware Tabular Diffusion (GATD) para la síntesis tabular, mejorando los denoisers con ángulos y longitudes pareadas de las diferencias de valores de columna. Logra un rendimiento de vanguardia con menos parámetros, reduciendo errores y demostrando que la supervisión relacional explícita impulsa las ganancias.