論文の概要: LGESQL: Line Graph Enhanced Text-to-SQL Model with Mixed Local and Non-Local Relations

• arxiv url: http://arxiv.org/abs/2106.01093v1
• Date: Wed, 2 Jun 2021 11:53:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 14:32:44.471662
• Title: LGESQL: Line Graph Enhanced Text-to-SQL Model with Mixed Local and Non-Local Relations
• Title（参考訳）: LGESQL: 局所的および非局所的関係を混合したライングラフ強化テキスト-SQLモデル
• Authors: Ruisheng Cao, Lu Chen, Zhi Chen, Su Zhu and Kai Yu
• Abstract要約: この研究は、テキストからネイティブタスクにおける不均一なグラフ符号化問題に取り組むことを目的としている。 本稿では,Line Graph Enhanced Text-to-native (LGE)モデルを提案する。 我々のフレームワークは、クロスドメインテキスト-ネイティブベンチマークで最先端の結果(Gloveは62.8%、Electraは72.0%)を達成する。
• 参考スコア（独自算出の注目度）: 35.22082070904513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work aims to tackle the challenging heterogeneous graph encoding problem in the text-to-SQL task. Previous methods are typically node-centric and merely utilize different weight matrices to parameterize edge types, which 1) ignore the rich semantics embedded in the topological structure of edges, and 2) fail to distinguish local and non-local relations for each node. To this end, we propose a Line Graph Enhanced Text-to-SQL (LGESQL) model to mine the underlying relational features without constructing meta-paths. By virtue of the line graph, messages propagate more efficiently through not only connections between nodes, but also the topology of directed edges. Furthermore, both local and non-local relations are integrated distinctively during the graph iteration. We also design an auxiliary task called graph pruning to improve the discriminative capability of the encoder. Our framework achieves state-of-the-art results (62.8% with Glove, 72.0% with Electra) on the cross-domain text-to-SQL benchmark Spider at the time of writing.
• Abstract（参考訳）: 本研究の目的は,テキストからSQLへのタスクにおける異種グラフ符号化の問題に対処することである。 従来の方法はノード中心であり、単にエッジタイプをパラメータ化するために異なる重み行列を使用するだけで、1)エッジのトポロジ構造に埋め込まれたリッチセマンティクスを無視し、2)各ノードのローカルな関係と非ローカルな関係を区別できない。 そこで本稿では,Line Graph Enhanced Text-to-SQL(LGESQL)モデルを提案する。 線グラフにより、メッセージはノード間の接続だけでなく、有向エッジのトポロジーを通じてより効率的に伝播する。 さらに、局所的関係と非局所的関係はグラフ反復の間に識別的に統合される。 また,エンコーダの識別能力を向上させるため,グラフプルーニングと呼ばれる補助タスクを設計する。 我々のフレームワークは、書き込み時のクロスドメインテキスト-SQLベンチマークSpider上で、最先端の結果(Gloveが62.8%、Electraが72.0%)を達成する。

関連論文リスト

• GAugLLM: Improving Graph Contrastive Learning for Text-Attributed Graphs with Large Language Models [33.3678293782131]
  本研究は,テキスト分散グラフ(TAG)の自己教師付きグラフ学習に関する研究である。 言語指導によるビュージェネレーションの改善を目指しています。 これは、リッチなセマンティック情報を持つグラフ構造を補完する、実際のアプリケーションにおけるテキスト属性の出現によって引き起こされる。
  論文  参考訳（メタデータ） (2024-06-17T17:49:19Z)
• Pretraining Language Models with Text-Attributed Heterogeneous Graphs [28.579509154284448]
  テキスト分散不均質グラフ(TAHG)におけるトポロジ的および異種情報を明確に考察する言語モデル(LM)のための新しい事前学習フレームワークを提案する。 本稿では、LMと補助異種グラフニューラルネットワークを協調最適化することにより、コンテキストグラフに関わるノードを予測するトポロジ対応事前学習タスクを提案する。 各種ドメインの3つのデータセット上でリンク予測とノード分類を行う。
  論文  参考訳（メタデータ） (2023-10-19T08:41:21Z)
• 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)
• SADGA: Structure-Aware Dual Graph Aggregation Network for Text-to-SQL [29.328698264910596]
  Text-to-Graphの最も難しい問題の1つは、トレーニングされたモデルを見えないデータベーススキーマに一般化する方法である。 クロスドメインテキスト・トゥ・グラフのための構造対応デュアルグラフアグリゲーションネットワーク(SADGA)を提案する。 執筆時点では、挑戦的なText-to-GraphベンチマークのSpiderで3位を獲得しました。
  論文  参考訳（メタデータ） (2021-11-01T01:50:28Z)
• ShadowGNN: Graph Projection Neural Network for Text-to-SQL Parser [36.12921337235763]
  抽象レベルとセマンティックレベルでスキーマを処理する新しいアーキテクチャであるShadowGNNを提案します。 チャレンジングなText-to-Spiderベンチマークでは、経験的な結果がShadowGNNが最先端のモデルを上回ることを示しています。
  論文  参考訳（メタデータ） (2021-04-10T05:48:28Z)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)
• Graph Structured Network for Image-Text Matching [127.68148793548116]
  微粒化対応学習のためのグラフ構造化マッチングネットワークを提案する。 GSMNは、明示的にオブジェクト、関係、属性を構造化されたフレーズとしてモデル化する。 実験により、GSMNはベンチマークで最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-01T08:20:42Z)
• Modeling Global and Local Node Contexts for Text Generation from Knowledge Graphs [63.12058935995516]
  最近のグラフ・トゥ・テキストモデルでは、グローバル・アグリゲーションまたはローカル・アグリゲーションを使用してグラフベースのデータからテキストを生成する。 本稿では,グローバルなノードコンテキストとローカルなノードコンテキストを組み合わせた入力グラフを符号化するニューラルモデルを提案する。 われわれのアプローチは、2つのグラフからテキストへのデータセットに大きな改善をもたらす。
  論文  参考訳（メタデータ） (2020-01-29T18:24:14Z)

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。