論文の概要: QUITE: A Query Rewrite System Beyond Rules with LLM Agents

• arxiv url: http://arxiv.org/abs/2506.07675v1
• Date: Mon, 09 Jun 2025 11:51:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.171054
• Title: QUITE: A Query Rewrite System Beyond Rules with LLM Agents
• Title（参考訳）: QUITE: LLMエージェントによるルールを越えたクエリリライトシステム
• Authors: Yuyang Song, Hanxu Yan, Jiale Lao, Yibo Wang, Yufei Li, Yuanchun Zhou, Jianguo Wang, Mingjie Tang,
• Abstract要約: 既存のアプローチは主に事前に定義されたリライトルールに依存しているが、クエリのサブセットが限られており、パフォーマンスの低下を引き起こす可能性がある。 本稿では,Large Language Models (LLM) に基づくトレーニングフリーでフィードバック対応のQUITE(クエリリライト)を提案する。 広範な実験により、QUITEはクエリ実行時間を最先端のアプローチで最大35.8%削減し、以前の方法よりも24.1%多く書き換えることを示した。
• 参考スコア（独自算出の注目度）: 16.501023983083083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Query rewrite transforms SQL queries into semantically equivalent forms that run more efficiently. Existing approaches mainly rely on predefined rewrite rules, but they handle a limited subset of queries and can cause performance regressions. This limitation stems from three challenges of rule-based query rewrite: (1) it is hard to discover and verify new rules, (2) fixed rewrite rules do not generalize to new query patterns, and (3) some rewrite techniques cannot be expressed as fixed rules. Motivated by the fact that human experts exhibit significantly better rewrite ability but suffer from scalability, and Large Language Models (LLMs) have demonstrated nearly human-level semantic and reasoning abilities, we propose a new approach of using LLMs to rewrite SQL queries beyond rules. Due to the hallucination problems in LLMs, directly applying LLMs often leads to nonequivalent and suboptimal queries. To address this issue, we propose QUITE (query rewrite), a training-free and feedback-aware system based on LLM agents that rewrites SQL queries into semantically equivalent forms with significantly better performance, covering a broader range of query patterns and rewrite strategies compared to rule-based methods. Firstly, we design a multi-agent framework controlled by a finite state machine (FSM) to equip LLMs with the ability to use external tools and enhance the rewrite process with real-time database feedback. Secondly, we develop a rewrite middleware to enhance the ability of LLMs to generate optimized query equivalents. Finally, we employ a novel hint injection technique to improve execution plans for rewritten queries. Extensive experiments show that QUITE reduces query execution time by up to 35.8% over state-of-the-art approaches and produces 24.1% more rewrites than prior methods, covering query cases that earlier systems did not handle.
• Abstract（参考訳）: クエリの書き直しはSQLクエリをより効率的に実行する意味論的に等価なフォームに変換する。 既存のアプローチは主に事前に定義されたリライトルールに依存しているが、クエリのサブセットが限られており、パフォーマンスの低下を引き起こす可能性がある。 この制限は,(1)新しいルールの発見と検証が難しいこと,(2)新しいクエリパターンを一般化しないこと,(3)いくつかのリライト技術が固定ルールとして表現できないこと,の3つの課題に起因している。 人的専門家の書き直し能力は著しく向上するがスケーラビリティに悩まされ,Large Language Models (LLMs) はほぼ人間レベルの意味論と推論能力を示し,ルールを超えたSQLクエリの書き直しにLLMを使用する新たなアプローチを提案する。 LLMの幻覚的問題のため、直接LLMを適用すると、不適切なクエリや準最適クエリが発生することが多い。 この問題に対処するため,LLMエージェントをベースとしたトレーニングフリーでフィードバック対応のシステムであるQUITEを提案し,SQLクエリを意味論的に等価な形式に書き直し,より広範なクエリパターンとルールベースの手法と比較して書き直し戦略を網羅する。 まず,有限状態機械 (FSM) によって制御されるマルチエージェント・フレームワークを設計し,外部ツールの使用とデータベースのリアルタイムフィードバックによる書き換え処理の強化を実現する。 第2に、LLMが最適化されたクエリ等価値を生成する能力を向上させるために、書き換えミドルウェアを開発する。 最後に、リライトクエリの実行計画を改善するために、新しいヒントインジェクション技術を用いる。 広範な実験により、QUITEは最先端のアプローチよりもクエリ実行時間を最大35.8%削減し、以前のシステムでは扱わなかったクエリケースをカバーし、従来の方法よりも24.1%多くのリライトを生成することがわかった。

関連論文リスト

• R-Bot: An LLM-based Query Rewrite System [15.46599915198438]
  機械学習に基づくクエリ書き換えシステムであるR-Botを提案する。 まず,複数ソースのリライトエビデンス作成パイプラインを設計し,クエリリライトエビデンスを生成する。 次に,構造解析と意味解析を組み合わせたハイブリッド・セマンティック検索手法を提案する。 広く使われているベンチマークで包括的な実験を行い、システムの性能を実証する。
  論文  参考訳（メタデータ） (2024-12-02T16:13:04Z)
• RaFe: Ranking Feedback Improves Query Rewriting for RAG [83.24385658573198]
  アノテーションを使わずにクエリ書き換えモデルをトレーニングするためのフレームワークを提案する。 公開されているリランカを活用することで、フィードバックはリライトの目的とよく一致します。
  論文  参考訳（メタデータ） (2024-05-23T11:00:19Z)
• LLM-R2: A Large Language Model Enhanced Rule-based Rewrite System for Boosting Query Efficiency [65.01402723259098]
  本稿では,LLM-R2 という新しいクエリ書き換え手法を提案する。 実験結果から,本手法はクエリ実行効率を大幅に向上し,ベースライン法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-19T13:17:07Z)
• Enhancing Conversational Search: Large Language Model-Aided Informative Query Rewriting [42.35788605017555]
  本稿では,大規模言語モデル(LLM)をクエリリフレクタとして利用することを提案する。 精巧な書き直しのための4つの重要な特性を定義し、それら全てをインストラクションに組み込む。 初期クエリの書き直しが可能な場合, LLM の書き直しエディタの役割を導入し, "書き直し-テーマ-編集" プロセスを作成する。
  論文  参考訳（メタデータ） (2023-10-15T03:04:17Z)
• Context Aware Query Rewriting for Text Rankers using LLM [5.164642900490078]
  テキストランキングタスクのクエリ書き直し改善のための大規模モデルの有用性を解析する。 私たちは、コンテキスト対応クエリ書き換え(CAR)と呼ばれる、シンプルだが驚くほど効果的なアプローチを採用しています。 書き直しクエリを使ってランク付けを行うと、パスランキングタスクでは最大33%、ドキュメントランキングタスクでは最大28%の大幅な改善が得られます。
  論文  参考訳（メタデータ） (2023-08-31T14:19:50Z)
• Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
  本研究では,ALIESと呼ばれる新しい手法を提案する。 入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。 元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
  論文  参考訳（メタデータ） (2023-05-24T06:16:44Z)
• Query Rewriting for Retrieval-Augmented Large Language Models [139.242907155883]
  大規模言語モデル(LLM)は、検索対象のパイプラインで強力なブラックボックスリーダーを動作させる。 この作業では、検索拡張LDMに対する以前の検索テーマ読み込みの代わりに、新しいフレームワークであるRewrite-Retrieve-Readを導入する。
  論文  参考訳（メタデータ） (2023-05-23T17:27:50Z)

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。