論文の概要: SchemaAgent: A Multi-Agents Framework for Generating Relational Database Schema

• arxiv url: http://arxiv.org/abs/2503.23886v1
• Date: Mon, 31 Mar 2025 09:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:33:54.377635
• Title: SchemaAgent: A Multi-Agents Framework for Generating Relational Database Schema
• Title（参考訳）: SchemaAgent: 関係データベーススキーマを生成するためのマルチエージェントフレームワーク
• Authors: Qin Wang, Youhuan Li, Yansong Feng, Si Chen, Ziming Li, Pan Zhang, Zhichao Shi, Yuequn Dou, chuchu Gao, Zebin Huang, Zihui Si, Yixuan Chen, Zhaohai Sun, Ke Tang, Wenqiang Jin,
• Abstract要約: 既存の取り組みは主に、カスタマイズされたルールや従来のディープラーニングモデルに基づいており、しばしばリレーショナルスキーマを生成する。 高品質データベーススキーマの自動生成のための統一LLMベースのマルチエージェントフレームワークを提案する。 我々は、様々な段階にわたる問題の正当性を特定するために、リフレクションとインスペクションのための専用の役割と、革新的なエラー検出と修正機構を組み込んだ。
• 参考スコア（独自算出の注目度）: 35.57815867567431
• License:
• Abstract: The relational database design would output a schema based on user's requirements, which defines table structures and their interrelated relations. Translating requirements into accurate schema involves several non-trivial subtasks demanding both database expertise and domain-specific knowledge. This poses unique challenges for automated design of relational databases. Existing efforts are mostly based on customized rules or conventional deep learning models, often producing suboptimal schema. Recently, large language models (LLMs) have significantly advanced intelligent application development across various domains. In this paper, we propose SchemaAgent, a unified LLM-based multi-agent framework for the automated generation of high-quality database schema. SchemaAgent is the first to apply LLMs for schema generation, which emulates the workflow of manual schema design by assigning specialized roles to agents and enabling effective collaboration to refine their respective subtasks. Schema generation is a streamlined workflow, where directly applying the multi-agent framework may cause compounding impact of errors. To address this, we incorporate dedicated roles for reflection and inspection, alongside an innovative error detection and correction mechanism to identify and rectify issues across various phases. For evaluation, we present a benchmark named \textit{RSchema}, which contains more than 500 pairs of requirement description and schema. Experimental results on this benchmark demonstrate the superiority of our approach over mainstream LLMs for relational database schema generation.
• Abstract（参考訳）: リレーショナルデータベースの設計は、テーブル構造とその関係関係を定義するユーザの要求に基づいてスキーマを出力する。 要求を正確なスキーマに変換するには、データベースの専門知識とドメイン固有の知識の両方を必要とするいくつかの非自明なサブタスクが必要になる。 これはリレーショナルデータベースの自動設計にユニークな課題をもたらす。 既存の取り組みは主に、カスタマイズされたルールや従来のディープラーニングモデルに基づいており、しばしばサブ最適スキーマを生成する。 近年,大規模言語モデル (LLM) は様々な領域にわたる知的アプリケーション開発が著しく進歩している。 本稿では,高品質データベーススキーマの自動生成のためのLLMベースの統合マルチエージェントフレームワークであるSchemaAgentを提案する。 SchemaAgentは、手動スキーマ設計のワークフローをエミュレートし、特別な役割をエージェントに割り当て、効果的なコラボレーションを可能にして、それぞれのサブタスクを洗練させる。 スキーマ生成は、マルチエージェントフレームワークを直接適用することで、エラーの複合的な影響を引き起こす、合理化されたワークフローである。 これを解決するために,様々な段階の問題を識別・修正するために,リフレクションとインスペクションのための専用の役割と,革新的なエラー検出と修正機構を組み込んだ。 評価のために,500組以上の要件記述とスキーマを含む「textit{RSchema}」というベンチマークを示す。 このベンチマーク実験により,リレーショナルデータベースのスキーマ生成において,本手法がLLMよりも優れていることを示す。

関連論文リスト

• A Collaborative Multi-Agent Approach to Retrieval-Augmented Generation Across Diverse Data [0.0]
  Retrieval-Augmented Generation (RAG)はLarge Language Models (LLM)を強化する 従来のRAGシステムでは、クエリ生成、データ検索、レスポンス合成に単一エージェントアーキテクチャを使用するのが一般的である。 本稿では,これらの制約に対処するマルチエージェントRAGシステムを提案する。
  論文  参考訳（メタデータ） (2024-12-08T07:18:19Z)
• Towards Agentic Schema Refinement [3.7173623393215287]
  本稿では,データベースとユーザ間のセマンティックレイヤを,小さくて分かりやすいデータベースビューの集合として提案する。 弊社のアプローチは、LLMによる不安定なデータベースの探索の道を開くものだ。
  論文  参考訳（メタデータ） (2024-11-25T19:57:16Z)
• Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
  本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。 Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。 実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
  論文  参考訳（メタデータ） (2024-10-31T16:34:03Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• Multi-Agent Planning Using Visual Language Models [2.2369578015657954]
  大規模言語モデル(LLM)とビジュアル言語モデル(VLM)は、様々なドメインやタスクにわたるパフォーマンスとアプリケーションの改善により、関心を集めている。 LLMとVLMは、特に問題領域の深い理解が必要な場合、誤った結果をもたらす。 本稿では,特定のデータ構造を入力として必要とせずに動作可能なマルチエージェント型タスクプランニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-08-10T08:10:17Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)
• Benchmarking Diverse-Modal Entity Linking with Generative Models [78.93737257356784]
  既存の EL データセットから様々なモード EL (DMEL) のベンチマークを構築した。 DMEL タスクにアプローチするため,マルチモーダルエンコーダ・デコーダのパラダイムに則って生成多モードモデル (GDMM) を提案する。 GDMMは、より強力なDMELベースラインを構築し、平均8.51F1スコアで最先端のタスク固有のELモデルを上回っている。
  論文  参考訳（メタデータ） (2023-05-27T02:38:46Z)
• A Unified and Efficient Coordinating Framework for Autonomous DBMS Tuning [34.85351481228439]
  既存のMLベースのエージェントを効率的に活用するための統合コーディネートフレームワークを提案する。 機械学習ベースのエージェントを効果的に利用し、ワークロードの実行時間に1.414.1Xのスピードアップでより良い設定を実現できることを示す。
  論文  参考訳（メタデータ） (2023-03-10T05:27:23Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)

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。