ASPIRE는 이기종 구조화된 데이터에 대한 의미론적 추론 및 예측을 위한 범용 신경 추론 모델입니다. 다양한 스키마, 일관되지 않은 의미, 고정된 특징 순서가 없는 다양하고 분리된 형태로 나타나는 실제 데이터의 문제를 해결하기 위해, 순열 불변 집합 기반 트랜스포머와 자연어 설명, 데이터셋 메타데이터, 맥락 내 예시를 통합하여 데이터셋 간 특징 의존성을 학습하는 의미 기반 모듈을 결합했습니다. 임의의 특징-값 쌍 집합과 지원 예시를 받아들이고, 분리된 테이블 간의 의미를 정렬하며, 지정된 대상에 대한 예측을 수행합니다. 훈련 후에는 추가 조정 없이 새로운 추론 작업에 일반화됩니다. 다양한 벤치마크에서 강력한 결과를 제공할 뿐만 아니라, 오픈 월드 환경에서 비용을 고려한 능동적 특징 획득을 자연스럽게 지원하여 임의의 보이지 않는 데이터셋에 대한 테스트 시간 예산 제약 하에서 유익한 특징을 선택합니다.
