論文の概要: Faster and Better Grammar-based Text-to-SQL Parsing via Clause-level
Parallel Decoding and Alignment Loss
- arxiv url: http://arxiv.org/abs/2204.12186v1
- Date: Tue, 26 Apr 2022 09:40:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 13:36:38.041456
- Title: Faster and Better Grammar-based Text-to-SQL Parsing via Clause-level
Parallel Decoding and Alignment Loss
- Title（参考訳）: クロースレベルの並列デコーディングとアライメント損失による文法ベースのテキスト-SQL構文解析の高速化
- Authors: Kun Wu, Lijie Wang, Zhenghua Li, Xinyan Xiao
- Abstract要約: 文法ベースの言語は、クロスドメインテキスト・ツー・パースタスクにおいて高いパフォーマンスを達成しているが、復号効率の低下に悩まされている。
節と質問セグメントの整合性を改善する方法は、パフォーマンスを解析する上で重要な課題である。
- 参考スコア（独自算出の注目度）: 27.191574762624505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Grammar-based parsers have achieved high performance in the cross-domain
text-to-SQL parsing task, but suffer from low decoding efficiency due to the
much larger number of actions for grammar selection than that of tokens in SQL
queries. Meanwhile, how to better align SQL clauses and question segments has
been a key challenge for parsing performance. Therefore, this paper proposes
clause-level parallel decoding and alignment loss to enhance two
high-performance grammar-based parsers, i.e., RATSQL and LGESQL. Experimental
results of two parsers show that our method obtains consistent improvements
both in accuracy and decoding speed.
- Abstract（参考訳）: 文法ベースのパーサは、クロスドメインのテキスト-SQL構文解析タスクで高いパフォーマンスを達成しているが、SQLクエリのトークンよりも文法選択のためのアクションの数が多いため、復号効率の低下に悩まされている。
一方、sql節と質問セグメントをよりよく調整する方法は、パフォーマンスを解析する上で重要な課題でした。
そこで本稿では,RATSQL と LGESQL という2つの高性能文法ベースのパーサを強化するために,節レベルの並列デコーディングとアライメント損失を提案する。
2つのパーサの実験結果から,本手法は精度と復号速度の両方において一貫した改善が得られた。
関連論文リスト
- DAC: Decomposed Automation Correction for Text-to-SQL [51.48239006107272]
De Automation Correction (DAC)を導入し、エンティティリンクとスケルトン解析を分解することでテキストから合成を補正する。
また,本手法では,ベースライン法と比較して,スパイダー,バード,カグルDBQAの平均値が平均3.7%向上することを示した。
論文 参考訳（メタデータ） (2024-08-16T14:43:15Z) - SQLFixAgent: Towards Semantic-Accurate Text-to-SQL Parsing via Consistency-Enhanced Multi-Agent Collaboration [26.193588535592767]
本稿では,SQLの誤検出と修復を目的とした,新しい一貫性向上型マルチエージェント協調フレームワークを提案する。
提案したフレームワークを5つのテキスト・テキスト・ベンチマークで評価し,特にBirdベンチマークで3%以上の改善を実現した。
当社のフレームワークは,他の高度なメソッドと比較してトークン効率も高く,競争力も向上しています。
論文 参考訳（メタデータ） (2024-06-19T09:57:19Z) - ASTormer: An AST Structure-aware Transformer Decoder for Text-to-SQL [25.066643066902564]
従来のRNN細胞を置き換えるためのAST構造対応トランスフォーマーデコーダ(ASTormer)を提案する。
提案するフレームワークは,ノード選択を考慮したトラバースオーダと互換性がある。
論文 参考訳（メタデータ） (2023-10-28T10:21:40Z) - 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) - 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) - Diverse Parallel Data Synthesis for Cross-Database Adaptation of
Text-to-SQL Parsers [21.272952382662215]
新しいデータベースへの適応は、新しいスキーマに自然言語クエリがないため、難しい問題である。
ターゲットスキーマにText-to-editを適用するためのフレームワークであるReFillを提案する。
論文 参考訳（メタデータ） (2022-10-29T14:30:53Z) - 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) - 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)
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。