論文の概要: QueryGym: Step-by-Step Interaction with Relational Databases

• arxiv url: http://arxiv.org/abs/2509.21674v1
• Date: Thu, 25 Sep 2025 22:48:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.065751
• Title: QueryGym: Step-by-Step Interaction with Relational Databases
• Title（参考訳）: QueryGym: リレーショナルデータベースとのステップバイステップインタラクション
• Authors: Haritha Ananthakrishanan, Harsha Kokel, Kelsey Sikes, Debarun Bhattacharjya, Michael Katz, Shirin Sohrabi, Kavitha Srinivas,
• Abstract要約: 本稿では,LLMベースのクエリ計画エージェントの構築,テスト,評価を行う対話型環境であるQueryGymを紹介する。 既存のフレームワークは、エージェントを特定のクエリ言語方言に結びつけることや、それらの推論を曖昧にすることが多い。 QueryGymは、関係代数演算の明示的なシーケンスを構築するためにエージェントを必要とする。
• 参考スコア（独自算出の注目度）: 30.757678338337055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce QueryGym, an interactive environment for building, testing, and evaluating LLM-based query planning agents. Existing frameworks often tie agents to specific query language dialects or obscure their reasoning; QueryGym instead requires agents to construct explicit sequences of relational algebra operations, ensuring engine-agnostic evaluation and transparent step-by-step planning. The environment is implemented as a Gymnasium interface that supplies observations -- including schema details, intermediate results, and execution feedback -- and receives actions that represent database exploration (e.g., previewing tables, sampling column values, retrieving unique values) as well as relational algebra operations (e.g., filter, project, join). We detail the motivation and the design of the environment. In the demo, we showcase the utility of the environment by contrasting it with contemporary LLMs that query databases. QueryGym serves as a practical testbed for research in error remediation, transparency, and reinforcement learning for query generation. For the associated demo, see https://ibm.biz/QueryGym.
• Abstract（参考訳）: 本稿では,LLMベースのクエリ計画エージェントの構築,テスト,評価を行う対話型環境であるQueryGymを紹介する。 QueryGymは代わりに、エージェントにリレーショナル代数演算の明示的なシーケンスを構築し、エンジンに依存しない評価と透過的なステップバイステップ計画を保証する必要がある。 この環境はGymnasiumインターフェースとして実装されており、スキーマの詳細、中間結果、実行時のフィードバックなどを含む観察情報を提供し、データベース探索を表すアクション(例えば、テーブルのプレビュー、列の値のサンプリング、ユニークな値の検索)とリレーショナル代数演算(例えば、フィルタ、プロジェクト、ジョイン)を受け取る。 環境のモチベーションと設計について詳述する。 デモでは、データベースをクエリする現代のLLMと対比して、環境の有用性を示す。 QueryGymは、クエリ生成のためのエラー修正、透明性、強化学習の研究のための実践的なテストベッドとして機能する。 関連するデモについては、https://ibm.biz/QueryGymを参照してください。

関連論文リスト

• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [130.19204432111277]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
  IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。 エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。 最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
  論文  参考訳（メタデータ） (2025-05-23T09:37:52Z)
• An LLM-Based Approach for Insight Generation in Data Analysis [9.077654650104055]
  本稿では,Large Language Models (LLMs) を用いたテキストインサイトの自動生成手法を提案する。 入力としてマルチテーブルデータベースが与えられると、LLMを活用して、テーブルの興味深いパターンを反映した簡潔でテキストベースの洞察を生成する。 これらの知見は、人間の判断と自動メトリクスのハイブリッドモデルを用いて、正当性と主観的洞察力の両方について評価される。
  論文  参考訳（メタデータ） (2025-02-20T17:09:59Z)
• Improving Retrieval-augmented Text-to-SQL with AST-based Ranking and Schema Pruning [10.731045939849125]
  本稿では,テキストからセマンティックへの解析に注目する。 商用データベースのスキーマのサイズとビジネスインテリジェンスソリューションのデプロイ可能性に関する課題から,入力データベース情報を動的に取得する $textASTReS$ を提案する。
  論文  参考訳（メタデータ） (2024-07-03T15:55:14Z)
• 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)
• Is the House Ready For Sleeptime? Generating and Evaluating Situational Queries for Embodied Question Answering [48.43453390717167]
  本研究では,家庭環境における状況問合せ(S-EQA)による身体的質問回答の課題を提示し,解決する。 以前のEQAの作業とは異なり、状況的クエリでは、エージェントが複数のオブジェクト状態を正しく識別し、回答のために状態に関するコンセンサスに到達する必要がある。 本稿では, LLMの出力をラップして, 独自のコンセンサスクエリとそれに対応するコンセンサスオブジェクト情報を生成する新しいPrompt-Generate-Evaluateスキームを提案する。
  論文  参考訳（メタデータ） (2024-05-08T00:45:20Z)
• Graph Enhanced BERT for Query Understanding [55.90334539898102]
  クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。 近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。 本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
  論文  参考訳（メタデータ） (2022-04-03T16:50:30Z)

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。