論文の概要: E3-Rewrite: Learning to Rewrite SQL for Executability, Equivalence,and Efficiency

• arxiv url: http://arxiv.org/abs/2508.09023v1
• Date: Tue, 12 Aug 2025 15:38:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.48496
• Title: E3-Rewrite: Learning to Rewrite SQL for Executability, Equivalence,and Efficiency
• Title（参考訳）: E3-Rewrite: 実行可能性、等価性、効率性のためにSQLを書き換えることを学ぶ
• Authors: Dongjie Xu, Yue Cui, Weijie Shi, Qingzhi Ma, Hanghui Guo, Jiaming Li, Yao Zhao, Ruiyuan Zhang, Shimin Di, Jia Zhu, Kai Zheng, Jiajie Xu,
• Abstract要約: E3-Rewriteは実行可能で等価で効率的なクエリを生成するフレームワークである。 最先端の手法に比べてクエリ実行時間の25.6%削減を実現している。 最大24.4%のリライトが成功し、以前のシステムが扱わなかった複雑なクエリにまでカバー範囲を広げた。
• 参考スコア（独自算出の注目度）: 35.2472369073336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SQL query rewriting aims to reformulate a query into a more efficient form while preserving equivalence. Most existing methods rely on predefined rewrite rules. However, such rule-based approaches face fundamental limitations: (1) fixed rule sets generalize poorly to novel query patterns and struggle with complex queries; (2) a wide range of effective rewriting strategies cannot be fully captured by declarative rules. To overcome these issues, we propose using large language models (LLMs) to generate rewrites. LLMs can capture complex strategies, such as evaluation reordering and CTE rewriting. Despite this potential, directly applying LLMs often results in suboptimal or non-equivalent rewrites due to a lack of execution awareness and semantic grounding. To address these challenges, We present E3-Rewrite, an LLM-based SQL rewriting framework that produces executable, equivalent, and efficient queries. It integrates two core components: a context construction module and a reinforcement learning framework. First, the context module leverages execution plans and retrieved demonstrations to build bottleneck-aware prompts that guide inference-time rewriting. Second, we design a reward function targeting executability, equivalence, and efficiency, evaluated via syntax checks, equivalence verification, and cost estimation. Third, to ensure stable multi-objective learning, we adopt a staged curriculum that first emphasizes executability and equivalence, then gradually incorporates efficiency. Extensive experiments show that E3-Rewrite achieves up to a 25.6\% reduction in query execution time compared to state-of-the-art methods across multiple SQL benchmarks. Moreover, it delivers up to 24.4\% more successful rewrites, expanding coverage to complex queries that previous systems failed to handle.
• Abstract（参考訳）: SQLクエリの書き直しは、クエリを等価性を保ちながら、より効率的な形式に再構築することを目的としている。 既存のメソッドの多くは、事前に定義されたリライトルールに依存しています。 しかし、このようなルールベースのアプローチは基本的な制限に直面している。(1) 固定ルールセットは、新しいクエリパターンに乏しく、複雑なクエリと競合する。 これらの問題を克服するために,我々は大規模言語モデル (LLM) を用いて書き直しを生成することを提案する。 LLMは評価リオーダやCTE書き換えといった複雑な戦略を捉えることができる。 このような可能性にもかかわらず、直接LLMを適用すると、実行意識の欠如や意味的根拠の欠如により、最適あるいは等価でない書き直しが発生することが多い。 これらの課題に対処するために、LLMベースのSQL書き換えフレームワークであるE3-Rewriteを紹介します。 コンテキスト構築モジュールと強化学習フレームワークの2つのコアコンポーネントを統合している。 まず、コンテキストモジュールは実行計画とデモの検索を利用して、推論時の書き換えをガイドするボトルネック対応のプロンプトを構築する。 第2に,実行可能性,等価性,効率性を目標とした報酬関数を,構文チェック,等価性検証,コスト推定によって評価する。 第3に、安定した多目的学習を確保するために、まず実行可能性と等価性を重視した段階的なカリキュラムを採用し、その後、効率性を徐々に取り入れる。 大規模な実験により、E3-Rewriteは、複数のSQLベンチマークにおける最先端メソッドと比較して、クエリ実行時間の最大25.6倍の削減を実現している。 さらに、24.4\%以上のリライトが成功し、以前のシステムが扱わなかった複雑なクエリにまでカバー範囲を広げている。

関連論文リスト

• QUITE: A Query Rewrite System Beyond Rules with LLM Agents [16.501023983083083]
  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。
  論文  参考訳（メタデータ） (2025-06-09T11:51:27Z)
• R-Bot: An LLM-based Query Rewrite System [20.909806427953264]
  本稿では,LLMに基づく問合せ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。 実世界のデータセットと広く使われているベンチマークに関する包括的な実験を行い、システムの優れた性能を実証する。
  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)
• SCREWS: A Modular Framework for Reasoning with Revisions [58.698199183147935]
  我々は、リビジョンを伴う推論のためのモジュラーフレームワークであるSCREWSを紹介する。 我々は、SCREWSが、共通のフレームワークの下で、いくつかの以前のアプローチを統合することを示す。 我々は,多種多様な推論タスクに基づいて,最先端のLCMを用いてフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-09-20T15:59:54Z)
• 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。