論文の概要: Transduction is All You Need for Structured Data Workflows

• arxiv url: http://arxiv.org/abs/2508.15610v2
• Date: Mon, 29 Sep 2025 13:42:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 17:47:09.166157
• Title: Transduction is All You Need for Structured Data Workflows
• Title（参考訳）: 構造化データワークフローに必要なトランスダクション
• Authors: Alfio Gliozzo, Naweed Khan, Christodoulos Constantinides, Nandana Mihindukulasooriya, Nahuel Defosse, Gaetano Rossiello, Junkyu Lee,
• Abstract要約: 本稿では,構造化データワークフローパイプライン構築のためのエージェント型AIフレームワークであるAgenticsを紹介する。 研究と実践の両方のために設計されたAgenticsは、エージェントがデータタイプに埋め込まれる新しいデータ中心のパラダイムを提供する。 本稿では,本手法の有効性を実証した,構造化データワークフロータスクと実証的エビデンスについて述べる。
• 参考スコア（独自算出の注目度）: 8.178153196011028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces Agentics, a functional agentic AI framework for building LLM-based structured data workflow pipelines. Designed for both research and practical applications, Agentics offers a new data-centric paradigm in which agents are embedded within data types, enabling logical transduction between structured states. This design shifts the focus toward principled data modeling, providing a declarative language where data types are directly exposed to large language models and composed through transductions triggered by type connections. We present a range of structured data workflow tasks and empirical evidence demonstrating the effectiveness of this approach, including data wrangling, text-to-SQL semantic parsing, and domain-specific multiple-choice question answering. The open source Agentics is available at https://github.com/IBM/Agentics.
• Abstract（参考訳）: 本稿では,LLMに基づく構造化データワークフローパイプラインを構築するためのエージェントAIフレームワークであるAgenticsを紹介する。 研究と実践の両方のために設計されたAgenticsは、エージェントがデータタイプに埋め込まれる新しいデータ中心のパラダイムを提供し、構造化状態間の論理的トランスダクションを可能にする。 この設計は、データ型が大きな言語モデルに直接露出し、型接続によってトリガされるトランスダクションによって構成される宣言型言語を提供する、原則化されたデータモデリングに焦点を移す。 本稿では、データラングリング、テキストからSQLへのセマンティックパーシング、ドメイン固有の複数選択質問応答など、さまざまな構造化データワークフロータスクと、このアプローチの有効性を示す実証的なエビデンスを示す。 Agenticsはhttps://github.com/IBM/Agentics.comで公開されている。

関連論文リスト

• Agentics 2.0: Logical Transduction Algebra for Agentic Data Workflows [3.0955233217110045]
  Agentics 2.0は、ハイクオリティで構造化された、説明可能な、タイプセーフなエージェントデータを構築するための軽量でPythonネイティブなフレームワークです。 Agentics 2.0の中核において、論理代数学は、大きな言語モデル推論コールを型付きセマンティック変換として形式化する。 提案するフレームワークは、強い型付け、セマンティックオブザーバビリティ、エビデンストレースを通じてセマンティックな信頼性を提供する。
  論文  参考訳（メタデータ） (2026-03-04T16:30:01Z)
• DataJoint 2.0: A Computational Substrate for Agentic Scientific Workflows [0.0]
  DataJointはSciOpsの基盤を作り、エージェントはデータ破損のリスクを冒さずに科学的変換に参加できる。 テーブルはワークフローステップを表し、行はアーティファクトを表し、外部キーは実行順序を規定する。 データ構造、計算依存、整合性の制約がすべてクエリ可能、強制可能、機械可読である単一形式システム。
  論文  参考訳（メタデータ） (2026-02-18T16:35:47Z)
• OmniStruct: Universal Text-to-Structure Generation across Diverse Schemas [57.49565459553627]
  OmniStructは、テキストから構造までのタスクにおいて、大規模言語モデルの能力を評価するためのベンチマークである。 我々は,効率的なテキスト・ツー・ストラクチャ・モデルの開発を容易にするために,合成タスク生成による高品質なトレーニングデータを収集する。 本実験は, 合成データのより小さなモデルから, 普遍構造生成モデルへの微調整の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-11-23T08:18:12Z)
• Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents [85.02904078131682]
  本稿では,エージェントデータセット間の"インターリングア"として機能する軽量表現言語であるエージェントデータプロトコル(ADP)を紹介する。 ADPはAPI/ツールの使用、ブラウジング、コーディング、ソフトウェアエンジニアリング、一般的なエージェントなど、さまざまなタスクを捉えるのに十分な表現力を持っている。 すべてのコードとデータが公開され、ADPが標準化され、スケーラブルで再現可能なエージェントトレーニングの障壁を低くすることを期待している。
  論文  参考訳（メタデータ） (2025-10-28T17:53:13Z)
• LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
  大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。 LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-28T17:31:38Z)
• LLM Agents for Interactive Workflow Provenance: Reference Architecture and Evaluation Methodology [3.470217255779291]
  本稿では,対話型大規模言語モデル(LLM)エージェントをランタイムデータ解析に活用する評価手法,参照アーキテクチャ,オープンソース実装を提案する。 提案手法では,自然言語を構造化された前処理クエリに変換する軽量なメタデータ駆動型設計を用いる。 LLaMA、GPT、Gemini、Claudeにまたがる評価では、多様なクエリクラスと現実世界の化学ワークフローを網羅し、モジュール設計、即時チューニング、Retrieval-Augmented Generation (RAG)が正確で洞察に富んだエージェント応答を可能にすることを示している。
  論文  参考訳（メタデータ） (2025-09-17T13:51:29Z)
• AgenticData: An Agentic Data Analytics System for Heterogeneous Data [12.67277567222908]
  AgenticDataはエージェントデータ分析システムで、複数のドメインにまたがるデータソースを自律的に分析しながら、自然言語(NL)の質問に反応することができる。 本稿では,関連するデータを発見するためのデータプロファイリングエージェント,フィードバックに基づく反復最適化のためのセマンティッククロスバリデーションエージェント,短期文脈を維持するためのスマートメモリエージェントを利用するマルチエージェント協調戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:33:59Z)
• Agent0: Leveraging LLM Agents to Discover Multi-value Features from Text for Enhanced Recommendations [0.0]
  大規模言語モデル(LLM)とその関連するエージェントベースのフレームワークは、かなり高度な自動情報抽出を持っている。 本稿では,未構造化テキストから情報抽出と特徴構築を自動化するエージェントベースシステムであるAgent0を提案する。
  論文  参考訳（メタデータ） (2025-07-25T06:45:10Z)
• WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization [68.46693401421923]
  WebShaperは集合論を通してISタスクを体系的に定式化する。 WebShaperは、GAIAおよびWebWalkerQAベンチマーク上で、オープンソースISエージェントの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-20T17:53:37Z)
• Deep Research Agents: A Systematic Examination And Roadmap [79.04813794804377]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• 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)
• Orchestrating Agents and Data for Enterprise: A Blueprint Architecture for Compound AI [11.859180018313147]
  企業アプリケーションのためのエージェントとデータをオーケストレーションするための複合AIシステムのための「青写真アーキテクチャ」を提案する。 エンタープライズにおける既存のプロプライエタリなモデルとAPIは、'エージェントレジストリ'で定義された'エージェント'にマップされる。 エージェントは、さまざまなモダリティのエンタープライズデータを同じように登録する'データレジストリ'を通じて、プロプライエタリなデータを利用することができる。
  論文  参考訳（メタデータ） (2025-04-10T22:19:41Z)
• AgentRE: An Agent-Based Framework for Navigating Complex Information Landscapes in Relation Extraction [10.65417796726349]
  複雑なシナリオにおける関係抽出(RE)は、多種多様な関係型や単一の文内のエンティティ間のあいまいな関係のような課題に直面します。 本稿では,複雑なシナリオにおいてREを実現するために,大規模言語モデルの可能性を完全に活用するエージェントベースのREフレームワークであるAgentREを提案する。
  論文  参考訳（メタデータ） (2024-09-03T12:53:05Z)
• UQE: A Query Engine for Unstructured Databases [71.49289088592842]
  構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。 本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
  論文  参考訳（メタデータ） (2024-06-23T06:58:55Z)
• StructGPT: A General Framework for Large Language Model to Reason over Structured Data [117.13986738340027]
  我々は,構造化データに基づく質問応答タスクの解法として,emphIterative Reading-then-Reasoning(IRR)アプローチを開発した。 提案手法はChatGPTの性能を大幅に向上させ,全データの教師付きベースラインに対して同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-05-16T17:45:23Z)

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。