論文の概要: UNJOIN: Enhancing Multi-Table Text-to-SQL Generation via Schema Simplification

• arxiv url: http://arxiv.org/abs/2505.18122v1
• Date: Fri, 23 May 2025 17:28:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.25045
• Title: UNJOIN: Enhancing Multi-Table Text-to-SQL Generation via Schema Simplification
• Title（参考訳）: UNJOIN: スキーマの単純化によるマルチテーブルテキスト-SQL生成の強化
• Authors: Poojah Ganesan, Rajat Aayush Jha, Dan Roth, Vivek Gupta,
• Abstract要約: 論理生成からスキーマ要素の検索を分離するフレームワークUNJOINを紹介する。 最初の段階では、各列をテーブル名でプレフィックスすることで、データベース内のすべてのテーブルの列名を単一のテーブル表現にマージします。 第2段階では、クエリは、この単純化されたスキーマに基づいて生成され、JOIN、UNION、リレーショナルロジックを再構築することで、元のスキーマにマップされる。
• 参考スコア（独自算出の注目度）: 50.59009084277447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in large language models (LLMs) have greatly improved Text-to-SQL performance for single-table queries. But, it remains challenging in multi-table databases due to complex schema and relational operations. Existing methods often struggle with retrieving the right tables and columns, generating accurate JOINs and UNIONs, and generalizing across diverse schemas. To address these issues, we introduce UNJOIN, a two-stage framework that decouples the retrieval of schema elements from SQL logic generation. In the first stage, we merge the column names of all tables in the database into a single-table representation by prefixing each column with its table name. This allows the model to focus purely on accurate retrieval without being distracted by the need to write complex SQL logic. In the second stage, the SQL query is generated on this simplified schema and mapped back to the original schema by reconstructing JOINs, UNIONs, and relational logic. Evaluations on SPIDER and BIRD datasets show that UNJOIN matches or exceeds the state-of-the-art baselines. UNJOIN uses only schema information, which does not require data access or fine-tuning, making it scalable and adaptable across databases.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、単一テーブルクエリのためのText-to-SQLパフォーマンスを大幅に改善した。 しかし、複雑なスキーマとリレーショナル操作のため、マルチテーブルデータベースでは依然として困難である。 既存のメソッドは、適切なテーブルと列を取得し、正確なJOINとUNIONを生成し、さまざまなスキーマをまたいだ一般化に苦労することが多い。 これらの問題に対処するために、SQLロジック生成からスキーマ要素の検索を分離する2段階のフレームワークUNJOINを紹介します。 最初の段階では、各列をテーブル名でプレフィックスすることで、データベース内のすべてのテーブルの列名を単一のテーブル表現にマージします。 これにより、複雑なSQLロジックを記述する必要性に気を散らすことなく、モデルが純粋に正確な検索に集中できる。 第2段階では、この単純化されたスキーマ上でSQLクエリが生成され、JOIN、UNION、リレーショナルロジックを再構築することで、元のスキーマにマップされる。 SPIDERとBIRDデータセットの評価は、UNJOINが最先端のベースラインと一致するか、あるいは超えていることを示している。 UNJOINはスキーマ情報のみを使用し、データアクセスや微調整を必要としないため、データベース間でスケーラブルで適応可能である。

関連論文リスト

• Extractive Schema Linking for Text-to-SQL [17.757832644216446]
  テキスト・トゥ・ワンは、現実世界のデータベースの実用的なインターフェースとして現れつつある。 本稿では,デコーダのみのLLMをスキーマリンクに適用するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-23T19:57:08Z)
• V-SQL: A View-based Two-stage Text-to-SQL Framework [0.9719868595277401]
  大規模言語モデル(LLM)に基づくテキスト・ツー・カップリング手法が注目されている。 メインストリームのテキスト・トゥ・カップリングフレームワークの中核となるのはスキーマ・リンクであり、データベース内のユーザ・クエリと関連するテーブルと列をアライメントする。 これまでは、LLMのデータベーススキーマ理解を高めるために、スキーマリンクに重点を置いていた。
  論文  参考訳（メタデータ） (2024-12-17T02:27:50Z)
• RB-SQL: A Retrieval-based LLM Framework for Text-to-SQL [48.516004807486745]
  文脈内学習を伴う大規模言語モデル(LLM)は、テキスト・ツー・タスクの性能を大幅に改善した。 In-context prompt Engineering のための新しい検索ベースフレームワーク RB- を提案する。 実験により,我々のモデルは,公開データセットのBIRDとSpiderの競合ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-07-11T08:19:58Z)
• SQL-to-Schema Enhances Schema Linking in Text-to-SQL [15.6857201570992]
  テキストから音声へのメソッドでは、不要なテーブルや列をフィルタリングする必要がある。 これまでのアプローチでは、テーブルや列のソートが問題との関連性に基づいて行われてきた。 提案手法は,2段階に分けて提案するスキーマリンク方式である。
  論文  参考訳（メタデータ） (2024-05-15T12:22:48Z)
• Schema-Aware Multi-Task Learning for Complex Text-to-SQL [4.913409359995421]
  複雑なsqlクエリのためのスキーマ対応マルチタスク学習フレームワーク(MT)を提案する。 具体的には、有効な質問スキーマリンクを識別するために、識別器モジュールを設計する。 デコーダ側では、テーブルと列の接続を記述するために、6種類の関係を定義します。
  論文  参考訳（メタデータ） (2024-03-09T01:13:37Z)
• MURRE: Multi-Hop Table Retrieval with Removal for Open-Domain Text-to-SQL [51.48239006107272]
  MURRE (Multi-hop table search with removal) は、未検索のテーブルへ誘導するために、質問から以前検索した情報を削除する。 2つのオープンドメインのテキスト・ツー・レトリバーデータセットの実験は、以前の最先端結果よりも平均5.7%改善したことを示している。
  論文  参考訳（メタデータ） (2024-02-16T13:14:35Z)
• UniSAr: A Unified Structure-Aware Autoregressive Language Model for Text-to-SQL [48.21638676148253]
  We present UniSAr (Unified Structure-Aware Autoregressive Language Model), which is benefit of using a off-the-shelf language model。 具体的には、UniSArは既存の自己回帰モデルを拡張して、3つの非侵襲的拡張を組み込んで構造認識する。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• Retrieving Complex Tables with Multi-Granular Graph Representation Learning [20.72341939868327]
  自然言語テーブル検索の課題は,自然言語クエリに基づいて意味的に関連するテーブルを検索することである。 既存の学習システムは、テーブルがデータフレームとして構成されているという仮定に基づいて、テーブルをプレーンテキストとして扱う。 多粒グラフ表現学習を用いた一般化可能なNLTRフレームワークであるグラフベーステーブル検索(GTR)を提案する。
  論文  参考訳（メタデータ） (2021-05-04T20:19:03Z)

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。