論文の概要: AI-assisted JSON Schema Creation and Mapping

• arxiv url: http://arxiv.org/abs/2508.05192v1
• Date: Thu, 07 Aug 2025 09:27:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.78677
• Title: AI-assisted JSON Schema Creation and Mapping
• Title（参考訳）: AIによるJSONスキーマ作成とマッピング
• Authors: Felix Neubauer, Jürgen Pleiss, Benjamin Uekermann,
• Abstract要約: 本稿では,大規模言語モデル(LLM)と決定論的手法を組み合わせて,ユーザによる自然言語入力に基づく生成,修正,スキーママッピングを実現するハイブリッドアプローチを提案する。 この作業は、非専門家のための構造化データモデリングとデータ統合に対する障壁を著しく減らします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model-Driven Engineering (MDE) places models at the core of system and data engineering processes. In the context of research data, these models are typically expressed as schemas that define the structure and semantics of datasets. However, many domains still lack standardized models, and creating them remains a significant barrier, especially for non-experts. We present a hybrid approach that combines large language models (LLMs) with deterministic techniques to enable JSON Schema creation, modification, and schema mapping based on natural language inputs by the user. These capabilities are integrated into the open-source tool MetaConfigurator, which already provides visual model editing, validation, code generation, and form generation from models. For data integration, we generate schema mappings from heterogeneous JSON, CSV, XML, and YAML data using LLMs, while ensuring scalability and reliability through deterministic execution of generated mapping rules. The applicability of our work is demonstrated in an application example in the field of chemistry. By combining natural language interaction with deterministic safeguards, this work significantly lowers the barrier to structured data modeling and data integration for non-experts.
• Abstract（参考訳）: モデル駆動工学(MDE)は、システムとデータエンジニアリングプロセスの中核にモデルを配置する。 研究データの文脈では、これらのモデルは一般的にデータセットの構造と意味を定義するスキーマとして表現される。 しかし、多くのドメインは依然として標準化されたモデルがなく、特に非専門家にとって、それらを作成することは重要な障壁である。 本稿では,ユーザによる自然言語入力に基づくJSONスキーマの生成,修正,スキーママッピングを可能にするために,大規模言語モデル(LLM)と決定論的手法を組み合わせたハイブリッドアプローチを提案する。 これらの機能は、すでにビジュアルモデル編集、バリデーション、コード生成、モデルからのフォーム生成を提供するオープンソースのツールであるMetaConfiguratorに統合されている。 データ統合のために、LLMを用いて異種JSON、CSV、XML、YAMLデータからスキーママッピングを生成し、生成したマッピングルールの決定論的実行によるスケーラビリティと信頼性を確保します。 私たちの研究の適用性は、化学の分野における応用例で示されています。 自然言語の相互作用を決定論的保護と組み合わせることで、非専門家のための構造化データモデリングとデータ統合の障壁を著しく低くする。

関連論文リスト

• RouteNator: A Router-Based Multi-Modal Architecture for Generating Synthetic Training Data for Function Calling LLMs [3.41612427812159]
  デジタルコンテンツ作成ツールでは、ユーザは、API呼び出しにマップしなければならない自然言語クエリを通じて、ニーズを表現します。 既存の合成データ生成アプローチでは、実世界のデータ分散を複製することができない。 高品質な合成学習データを生成するルータベースのアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-15T16:53:45Z)
• LLMs4SchemaDiscovery: A Human-in-the-Loop Workflow for Scientific Schema Mining with Large Language Models [0.22470290096767]
  従来のスキーママイニングは半構造化データに依存しており、スケーラビリティを制限している。 本稿では,大規模な言語モデルと人間のフィードバックを組み合わせてスキーマ抽出を自動化・洗練する新しいツールであるスキーママイナーを紹介する。
  論文  参考訳（メタデータ） (2025-04-01T13:03:33Z)
• SchemaAgent: A Multi-Agents Framework for Generating Relational Database Schema [35.57815867567431]
  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。
  論文  参考訳（メタデータ） (2025-03-31T09:39:19Z)
• Learning to Generate Structured Output with Schema Reinforcement Learning [83.09230124049667]
  本研究では,大規模言語モデル(LLM)の構造的生成能力について検討する。 最新のLLMはまだ有効な文字列を生成するのに苦労している。 我々のモデルでは、出力と下流の両方のタスクが大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-26T06:45:29Z)
• 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)
• Adapting Large Language Models for Content Moderation: Pitfalls in Data Engineering and Supervised Fine-tuning [79.53130089003986]
  大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。 本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
  論文  参考訳（メタデータ） (2023-10-05T09:09:44Z)
• Metadata Representations for Queryable ML Model Zoos [73.24799582702326]
  機械学習(ML)の実践者や組織は、事前訓練されたモデルのモデル動物園を構築しており、モデルの性質を記述するメタデータを含んでいる。 メタタダは現在標準化されておらず、表現力は限られている。 本稿では,MLモデルのメタデータ表現と管理の標準化を提唱し,そのメタデータの管理とクエリを支援するツールキットを提案する。
  論文  参考訳（メタデータ） (2022-07-19T15:04:14Z)
• Learning to Synthesize Data for Semantic Parsing [57.190817162674875]
  本稿では,プログラムの構成をモデル化し,プログラムを発話にマップする生成モデルを提案する。 PCFGと事前学習されたBARTの簡易性により,既存のデータから効率的に生成モデルを学習することができる。 GeoQuery と Spider の標準ベンチマークで解析する text-to-Query の in-domain と out-of-domain の両方で、この手法を評価します。
  論文  参考訳（メタデータ） (2021-04-12T21:24:02Z)
• Automated Metadata Harmonization Using Entity Resolution & Contextual Embedding [0.0]
  我々は、Cogntive DatabaseのDb2Vec埋め込みアプローチの助けを借りて、このステップの自動化を実演する。 一致したスキーマとは別に、ターゲットデータモデルの正しい存在論的構造も推測できることを実証する。
  論文  参考訳（メタデータ） (2020-10-17T02:14:15Z)
• Interpretable Entity Representations through Large-Scale Typing [61.4277527871572]
  本稿では,人間の読みやすいエンティティ表現を作成し,箱から高パフォーマンスを実現する手法を提案する。 我々の表現は、微粒な実体型に対する後続確率に対応するベクトルである。 特定のドメインに対して,学習に基づく方法で,型セットのサイズを縮小できることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:58:03Z)

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。