論文の概要: Bertrand-DR: Improving Text-to-SQL using a Discriminative Re-ranker

• arxiv url: http://arxiv.org/abs/2002.00557v2
• Date: Tue, 3 Nov 2020 22:22:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 08:04:52.431413
• Title: Bertrand-DR: Improving Text-to-SQL using a Discriminative Re-ranker
• Title（参考訳）: Bertrand-DR:差別的再ランカによるテキストからSQLへの改善
• Authors: Amol Kelkar, Rohan Relan, Vaishali Bhardwaj, Saurabh Vaichal, Chandra Khatri, Peter Relan
• Abstract要約: 生成テキスト-リミモデルの性能向上を図るために,新しい離散型リランカを提案する。 テキスト・ト・リミモデルとリランカモデルの相対強度を最適性能として解析する。 本稿では,2つの最先端テキスト-リミモデルに適用することで,リランカの有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.049360126069332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To access data stored in relational databases, users need to understand the database schema and write a query using a query language such as SQL. To simplify this task, text-to-SQL models attempt to translate a user's natural language question to corresponding SQL query. Recently, several generative text-to-SQL models have been developed. We propose a novel discriminative re-ranker to improve the performance of generative text-to-SQL models by extracting the best SQL query from the beam output predicted by the text-to-SQL generator, resulting in improved performance in the cases where the best query was in the candidate list, but not at the top of the list. We build the re-ranker as a schema agnostic BERT fine-tuned classifier. We analyze relative strengths of the text-to-SQL and re-ranker models across different query hardness levels, and suggest how to combine the two models for optimal performance. We demonstrate the effectiveness of the re-ranker by applying it to two state-of-the-art text-to-SQL models, and achieve top 4 score on the Spider leaderboard at the time of writing this article.
• Abstract（参考訳）: リレーショナルデータベースに格納されたデータにアクセスするには、データベーススキーマを理解し、SQLのようなクエリ言語を使ってクエリを書く必要がある。 このタスクを簡単にするために、text-to-sqlモデルはユーザの自然言語質問を対応するsqlクエリに変換する。 近年,複数の生成テキスト-SQLモデルが開発されている。 本稿では,テキスト・ツー・SQL生成器が予測するビーム出力から最高のSQLクエリを抽出することにより,生成するテキスト・ツー・SQLモデルの性能を向上させるための新たな識別リランカを提案する。 我々は、リランカをスキーマに依存しないBERT微調整分類器として構築する。 我々は,クエリの難度レベルが異なる場合,テキスト対sqlおよび再ランク付けモデルの相対的強みを分析し,この2つのモデルを最適性能に組み合わせる方法を提案する。 本稿では,2つの最先端テキスト対sqlモデルに適用することにより,再ランク付けの有効性を実証し,この記事執筆時点でのスパイダー・リーダーボードの上位4点を達成した。

関連論文リスト

• SQLPrompt: In-Context Text-to-SQL with Minimal Labeled Data [54.69489315952524]
  Prompt"は、Text-to-LLMのいくつかのショットプロンプト機能を改善するように設計されている。 Prompt"は、ラベル付きデータが少なく、テキスト内学習における従来のアプローチよりも大きなマージンで優れている。 emphPromptはテキスト内学習における従来の手法よりも優れており,ラベル付きデータはほとんどない。
  論文  参考訳（メタデータ） (2023-11-06T05:24:06Z)
• SQLformer: Deep Auto-Regressive Query Graph Generation for Text-to-SQL Translation [16.07396492960869]
  本稿では,テキストからテキストへの変換処理に特化して設計されたトランスフォーマーアーキテクチャを提案する。 我々のモデルは、実行可能層とデコーダ層に構造的帰納バイアスを組み込んで、クエリを自動で抽象構文木(AST)として予測する。
  論文  参考訳（メタデータ） (2023-10-27T00:13:59Z)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• UNITE: A Unified Benchmark for Text-to-SQL Evaluation [72.72040379293718]
  テキスト・ツー・ドメイン・システムのためのUNIfiedベンチマークを導入する。 公開されているテキストからドメインへのデータセットと29Kデータベースで構成されている。 広く使われているSpiderベンチマークと比較すると、SQLパターンの3倍の増加が紹介されている。
  論文  参考訳（メタデータ） (2023-05-25T17:19:52Z)
• A Survey on Text-to-SQL Parsing: Concepts, Methods, and Future Directions [102.8606542189429]
  テキストからコーパスへのパースの目的は、自然言語(NL)質問をデータベースが提供するエビデンスに基づいて、対応する構造化クエリ言語()に変換することである。 ディープニューラルネットワークは、入力NL質問から出力クエリへのマッピング関数を自動的に学習するニューラルジェネレーションモデルによって、このタスクを大幅に進歩させた。
  論文  参考訳（メタデータ） (2022-08-29T14:24:13Z)
• S$^2$SQL: Injecting Syntax to Question-Schema Interaction Graph Encoder for Text-to-SQL Parsers [66.78665327694625]
  テキスト-関係解析のための質問-エンコーダグラフに構文を注入するS$2$を提案する。 また、疎結合制約を用いて多様なエッジ埋め込みを誘導し、ネットワークの性能をさらに向上させる。 スパイダーとロバスト性設定の実験は、提案手法が事前学習モデルを使用する場合、既存のすべての手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-03-14T09:49:15Z)
• Weakly Supervised Text-to-SQL Parsing through Question Decomposition [53.22128541030441]
  我々は最近提案されたQDMR(QDMR)という意味表現を活用している。 質問やQDMR構造(非専門家によって注釈付けされたり、自動予測されたりする)、回答が与えられたら、我々は自動的にsqlクエリを合成できる。 本結果は,NL-ベンチマークデータを用いて訓練したモデルと,弱い教師付きモデルが競合することを示す。
  論文  参考訳（メタデータ） (2021-12-12T20:02:42Z)
• Natural SQL: Making SQL Easier to Infer from Natural Language Specifications [15.047104267689052]
  我々はNatural SQL(Nat)と呼ばれるSQL中間表現を提案する。 挑戦的なテキスト・ツー・スキーマのベンチマークであるSpiderでは、Natが他のIRより優れており、以前のSOTAモデルの性能が大幅に向上することを示した。 実行可能生成をサポートしない既存のモデルでは、Natは実行可能クエリを容易に生成することができ、新しい最先端実行精度を実現する。
  論文  参考訳（メタデータ） (2021-09-11T01:53:55Z)
• Data Augmentation with Hierarchical SQL-to-Question Generation for Cross-domain Text-to-SQL Parsing [40.65143087243074]
  本稿では,単純なデータ拡張フレームワークを提案する。 まず、データベースを与えられたら、抽象構文木文法citeyintranxに基づいて大量のsqlクエリを自動的に生成します。 第2に,高品質自然言語問題を得るための階層的sql-to-question生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-03T07:37:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。