文章核心总结本文提出一种名为DeLTa的表格数据预测方法，通过逻辑决策树规则作为中介整合大语言模型（LLMs），解决现有LLM-based表格数据方法的数据序列化局限性与模型适配难题，在分类和回归任务的全数据及低数据场景下均实现最优性能。核心创新点中介机制创新：以决策树规则为中介连接LLMs与表格数据，避免将表格数据序列化为自然语言，既无需依赖特征名称，又保护样本级隐私。规则优化策略：利用LLMs的推理能力，将随机森林生成的多组决策树规则精炼为单一优化规则，提升叶节点内样本的统计一致性。误差校正框架：基于精炼规则构建梯度网络，学习样本特异性误差校正向量，将原始决策树预测向“误差减少”方向校准，无需微调LLM。场景适配性：支持全数据与低数据场景，兼容分类和回归任务，且计算效率高，仅需为每个数据集查询一次LLM生成精炼规则。翻译部分（Markdown格式）Abstract表格数据在医疗、金融等多个现实领域中发挥着关键作用。随着大型语言模型（LLMs）的近期成功，已有研究尝试将LLMs扩展至表格数据领域。这些基于LLM的方法通常先将表格数据序列化为自然语言描述，再对LLMs进行微调或直接基于序列化数据推理。然而，这些方法存在两个关键固有问题：（i）数据层面：现有