論文の概要: Weakly Supervised Text-to-SQL Parsing through Question Decomposition

• arxiv url: http://arxiv.org/abs/2112.06311v4
• Date: Fri, 2 Aug 2024 14:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 19:02:21.913617
• Title: Weakly Supervised Text-to-SQL Parsing through Question Decomposition
• Title（参考訳）: 質問分解によるテキストからSQLへのパーシングの微妙な改善
• Authors: Tomer Wolfson, Daniel Deutch, Jonathan Berant,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.22128541030441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-SQL parsers are crucial in enabling non-experts to effortlessly query relational data. Training such parsers, by contrast, generally requires expertise in annotating natural language (NL) utterances with corresponding SQL queries. In this work, we propose a weak supervision approach for training text-to-SQL parsers. We take advantage of the recently proposed question meaning representation called QDMR, an intermediate between NL and formal query languages. Given questions, their QDMR structures (annotated by non-experts or automatically predicted), and the answers, we are able to automatically synthesize SQL queries that are used to train text-to-SQL models. We test our approach by experimenting on five benchmark datasets. Our results show that the weakly supervised models perform competitively with those trained on annotated NL-SQL data. Overall, we effectively train text-to-SQL parsers, while using zero SQL annotations.
• Abstract（参考訳）: テキストからSQLへのパーサは、非専門家が懸命にリレーショナルデータをクエリできるようにすることに不可欠である。 対照的に、このようなパーサーを訓練するには、一般的に、自然言語(NL)の発話を対応するSQLクエリとアノテートする専門知識が必要である。 本研究では,テキストからSQLへのパーサの学習において弱い監督手法を提案する。 我々は最近提案されたQDMR(QDMR)という,NL言語と形式的クエリ言語の間の中間的表現を利用した。 質問、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)、そして回答が与えられたら、テキストからSQLモデルをトレーニングするのに使用されるSQLクエリを自動的に合成できます。 5つのベンチマークデータセットで実験することで、アプローチをテストします。 その結果, 弱教師付きモデルは, 注釈付きNL-SQLデータで訓練したモデルと競合することがわかった。 全体として、SQLアノテーションをゼロにしながら、テキストからSQLへのパーサを効果的にトレーニングします。

関連論文リスト

• 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)
• 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)
• Error Detection for Text-to-SQL Semantic Parsing [18.068244400731366]
  現代のテキスト・トゥ・セマンティクスは、しばしば過信であり、実際の使用のためにデプロイされた際の信頼性に疑問を呈する。 本稿では,テキスト間セマンティック解析のためのa-独立誤差検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-23T04:44:22Z)
• Towards Generalizable and Robust Text-to-SQL Parsing [77.18724939989647]
  本稿では,タスク分解,知識獲得,知識構成からなる新しいTKKフレームワークを提案する。 このフレームワークは,Spider,SParC,Co.データセット上でのすべてのシナリオと最先端のパフォーマンスに有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T09:21:27Z)
• STAR: SQL Guided Pre-Training for Context-dependent Text-to-SQL Parsing [64.80483736666123]
  文脈依存型テキスト・ツー・パースのための新しい事前学習フレームワークSTARを提案する。 さらに,STARを事前学習するための大規模コンテキスト依存型テキスト対話コーパスを構築した。 大規模な実験により、STARは2つの下流ベンチマークで新しい最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-10-21T11:30:07Z)
• 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)
• CQR-SQL: Conversational Question Reformulation Enhanced Context-Dependent Text-to-SQL Parsers [35.36754559708944]
  コンテキスト依存型テキスト参照は、マルチターン質問をデータベース関連のクエリに変換するタスクである。 本稿では,CQR-Coupleを提案する。このCQR-Coupleは,CQR学習を用いて,文脈依存のforsql解析を明示的に活用し,分離する。 執筆時点で、我々のCQRカップリングは2つの文脈依存ベンチマークSParCとCoに対して、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-05-16T13:52:42Z)
• 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)
• 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)

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。