본 논문은 데이터 레이크 내에서 테이블 유니온 검색(TUS)을 수행하는 최근의 테이블 표현 학습 및 데이터 발견 방법들을 다룬다. 기존 TUS 벤치마크들은 실제 TUS 작업에서 의미 이해를 평가하는 것을 목표로 하지만, 분석 결과 간단한 기준 모델들이 놀라울 정도로 좋은 성능을 보이며, 종종 더 정교한 접근 방식보다 뛰어난 성능을 보이는 것으로 나타났다. 이는 현재 벤치마크 점수가 데이터셋 특성에 크게 영향을 받고 의미 이해의 향상을 효과적으로 분리하지 못한다는 것을 시사한다. 따라서 본 논문은 향후 벤치마크를 위한 필수적인 기준을 제시하여, 의미 테이블 유니온 검색의 진전을 더 현실적이고 신뢰할 수 있게 평가할 수 있도록 한다.
