멀티태스크 테이블 인식 (Multi-task table recognition)은 통합된 프레임워크 내에서 테이블 구조 예측 (table structure prediction), 셀 위치 식별 (cell localization), 그리고 셀 내용 인식 (cell content recognition)을 공동으로 다룹니다. 기존 방식들은 테이블 구조를 생성하기 위해 자기회귀 디코더 (autoregressive decoders)에 의존하며, 셀 위치 식별 및 내용 인식을 위해 이들의 은닉 상태 (hidden states)를 재사용하는 경우가 많습니다. 이러한 자기회귀 생성 과정은 셀 표현 (cell representations)을 순서 의존적 (order-dependent)으로 만들 수 있으며, 이는 셀 간의 전역적 일관성 (global consistency)을 저해합니다. 본 논문은 비인과적 어텐션 (non-causal attention)을 통해 순서 독립적 (order-independent)인 셀 특징 (cell features)을 생성하는 구조적 정제 모듈 (structural refinement module)을 제안합니다. 이 설계는 정제된 특징에 인코딩된 전역 문맥 (global context)을 각 셀의 조건으로 삼으면서도, 셀 내용의 병렬 추론 (parallel inference)을 가능하게 합니다. 두 개의 대규모 데이터셋에 대한 실험을 통해 셀 위치 식별 및 엔드투엔드 인식 (end-to-end recognition)에서 일관된 성능 향상을 입증하였으며, 동시에 전체 추론 시간 (inference time)을 약 3배 정도 단축하였습니다.