检索式表格分类中，距离加权投票平均优于LLM推理。
资讯摘要
论文比较四种通用LLM与距离加权最近邻投票（Distance-KNN）在19个表格分类数据集上的表现，检索邻居完全相同。作者报告：固定示例数时，扩大检索候选池可提升所有预测器准确率，但Distance-KNN在各池规模下平均准确率最高；LLM的增益集中在检索邻居标签共识低的情形，且随模型不同而变化，并取决于测试查询到特征空间邻居的平均距离。
要点速读
- 在19个表格分类数据集上，用相同检索邻居比较四种通用LLM与Distance-KNN。
- 扩大检索候选池提升所有预测器准确率，但Distance-KNN在各池规模下平均准确率最高。
- LLM增益集中于邻居标签共识低的情形，且在最近邻组中部分LLM可超过Distance-KNN，最远组则平均落后。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。