論文の概要: Schema-R1: A reasoning training approach for schema linking in Text-to-SQL Task

• arxiv url: http://arxiv.org/abs/2506.11986v1
• Date: Fri, 13 Jun 2025 17:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.903263
• Title: Schema-R1: A reasoning training approach for schema linking in Text-to-SQL Task
• Title（参考訳）: Schema-R1: Text-to-SQL Taskにおけるスキーマリンクのための推論トレーニングアプローチ
• Authors: Wuzhenghong Wen, Su Pan, yuwei Sun,
• Abstract要約: スキーマリンクモデルに対する現在の微調整アプローチは、ロートラーニングパラダイムを採用している。 強化学習を用いて学習した推論スキーマリンクモデルである-R1を提案する。
• 参考スコア（独自算出の注目度）: 3.686808512438363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Schema linking is a critical step in Text-to-SQL task, aiming to accurately predict the table names and column names required for the SQL query based on the given question. However, current fine-tuning approaches for schema linking models employ a rote-learning paradigm, excessively optimizing for ground truth schema linking outcomes while compromising reasoning ability. This limitation arises because of the difficulty in acquiring a high-quality reasoning sample for downstream tasks. To address this, we propose Schema-R1, a reasoning schema linking model trained using reinforcement learning. Specifically, Schema-R1 consists of three key steps: constructing small batches of high-quality reasoning samples, supervised fine-tuning for cold-start initialization, and rule-based reinforcement learning training. The final results demonstrate that our method effectively enhances the reasoning ability of the schema linking model, achieving a 10\% improvement in filter accuracy compared to the existing method. Our code is available at https://github.com/hongWin/Schema-R1/.
• Abstract（参考訳）: スキーマリンクはText-to-SQLタスクにおいて重要なステップであり、与えられた質問に基づいてSQLクエリに必要なテーブル名と列名を正確に予測することを目的としている。 しかしながら、スキーマリンクモデルに対する現在の微調整アプローチは、論理学習パラダイムを採用し、推論能力を妥協しながら結果のリンクを行う土台真理を過度に最適化する。 この制限は、下流タスクの高品質な推論サンプルを取得するのが難しいために生じる。 そこで我々は,強化学習を用いて学習した推論スキーマリンクモデルであるSchema-R1を提案する。 具体的には、Schema-R1は、高品質な推論サンプルの小さなバッチの構築、コールドスタート初期化のための教師付き微調整、ルールベースの強化学習トレーニングの3つの重要なステップで構成されている。 その結果,提案手法はスキーマリンクモデルの推論能力を効果的に向上し,従来の手法に比べてフィルタ精度が10倍向上することを示した。 私たちのコードはhttps://github.com/hongWin/Schema-R1/で利用可能です。

関連論文リスト

• SchemaGraphSQL: Efficient Schema Linking with Pathfinding Graph Algorithms for Text-to-SQL on Large-Scale Databases [1.6544167074080365]
  本稿では、まず、外部キー関係に基づくスキーマグラフを構築する、ゼロショットでトレーニング不要なスキーマリンク手法を提案する。 我々は、結合すべきテーブルや列の最適なシーケンスを特定するために、古典的なパスフィニングアルゴリズムと後処理を適用する。 提案手法はBIRDベンチマークの最先端結果を実現し,従来の特殊化,微調整,複雑な多段階LCMに基づくアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-23T20:42:36Z)
• UNJOIN: Enhancing Multi-Table Text-to-SQL Generation via Schema Simplification [50.59009084277447]
  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。
  論文  参考訳（メタデータ） (2025-05-23T17:28:43Z)
• Knapsack Optimization-based Schema Linking for LLM-based Text-to-SQL Generation [15.888784472807775]
  我々は、Knapsack最適化に基づくリンクエージェント(KaSLA)を紹介する。 KaSLAは、冗長なスキーマ要素を最小化しながら、関連するスキーマ要素の欠如を防ぐために設計された、プラグインスキーマリンクエージェントである。 スパイダーおよびBIRDベンチマークの実験では、KaSLAがSOTAモデルの生成性能を大幅に改善できることが確認された。
  論文  参考訳（メタデータ） (2025-02-18T14:53:45Z)
• 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)
• The Death of Schema Linking? Text-to-SQL in the Age of Well-Reasoned Language Models [0.9149661171430259]
  次世代の大規模言語モデル(LLM)を使用する場合のスキーマリンクを再検討する。 より新しいモデルでは,無関係なモデルが多数存在する場合でも,生成時に関連するスキーマ要素を利用することが可能であることが実証的に判明した。 文脈情報をフィルタリングする代わりに、拡張、選択、修正などのテクニックを強調し、テキストからBIRDパイプラインの精度を向上させるためにそれらを採用する。
  論文  参考訳（メタデータ） (2024-08-14T17:59:04Z)
• 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)
• Guiding Language Model Reasoning with Planning Tokens [122.43639723387516]
  大規模言語モデル(LLM)は、最近、複雑な推論タスクを実行する能力に対して、かなりの関心を集めている。 より構造的なチェーン・オブ・シークレット・ステップの創出を促す階層的な生成手法を提案する。 提案手法では、トレーニング可能なパラメータ(0.001%)の無視可能な増加が必要であり、完全な微調整か、よりパラメータ効率の良いスキームで適用することができる。
  論文  参考訳（メタデータ） (2023-10-09T13:29:37Z)
• Open-Domain Hierarchical Event Schema Induction by Incremental Prompting and Verification [81.17473088621209]
  イベントスキーマを,大規模言語モデル(LLM)から導出可能なコモンセンス知識の一形態として扱う。 複雑なイベントグラフの構築を3段階に分割するインクリメンタルなプロンプトおよび検証手法を設計する。 線形化グラフを生成するのにLLMを直接使用するのに比べ、時間関係が7.2%F1、階層関係が31.0%F1の大規模かつ複雑なスキーマを生成することができる。
  論文  参考訳（メタデータ） (2023-07-05T01:00:44Z)
• 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。