論文の概要: KathDB: Explainable Multimodal Database Management System with Human-AI Collaboration

• arxiv url: http://arxiv.org/abs/2512.11067v1
• Date: Thu, 11 Dec 2025 19:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.541162
• Title: KathDB: Explainable Multimodal Database Management System with Human-AI Collaboration
• Title（参考訳）: KathDB: ヒューマンAIコラボレーションによる説明可能なマルチモーダルデータベース管理システム
• Authors: Guorui Xiao, Enhao Zhang, Nicole Sullivan, Will Hansen, Magdalena Balazinska,
• Abstract要約: KathDBは、リレーショナルセマンティクスと、マルチモーダルデータに対する基礎モデルの推論能力を組み合わせた、新しいシステムである。 クエリ解析、実行、結果説明の間、人間とAIのインタラクションチャネルを含む。
• 参考スコア（独自算出の注目度）: 4.7682930360459785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional DBMSs execute user- or application-provided SQL queries over relational data with strong semantic guarantees and advanced query optimization, but writing complex SQL is hard and focuses only on structured tables. Contemporary multimodal systems (which operate over relations but also text, images, and even videos) either expose low-level controls that force users to use (and possibly create) machine learning UDFs manually within SQL or offload execution entirely to black-box LLMs, sacrificing usability or explainability. We propose KathDB, a new system that combines relational semantics with the reasoning power of foundation models over multimodal data. Furthermore, KathDB includes human-AI interaction channels during query parsing, execution, and result explanation, such that users can iteratively obtain explainable answers across data modalities.
• Abstract（参考訳）: 従来のDBMSは、強力なセマンティック保証と高度なクエリ最適化を備えたリレーショナルデータ上で、ユーザまたはアプリケーションが提供するSQLクエリを実行するが、複雑なSQLを書くことは難しく、構造化テーブルのみに焦点を当てている。 現代のマルチモーダルシステム(関係ではなくテキスト、画像、ビデオも操作する)は、ユーザーが手動でSQL内で機械学習UDFを使わざるを得ないような低レベルのコントロールを公開するか、ブラックボックスLSMに完全に実行をオフロードし、ユーザビリティや説明性を犠牲にする。 我々は,関係意味論と基礎モデルの推論能力を組み合わせたマルチモーダルデータを用いた新しいシステムKathDBを提案する。 さらに、KathDBには、クエリ解析、実行、結果説明の間、人間とAIのインタラクションチャネルが含まれており、ユーザーはデータモダリティをまたいだ説明可能な回答を反復的に得ることができる。

関連論文リスト

• Text-to-SQL as Dual-State Reasoning: Integrating Adaptive Context and Progressive Generation [54.53145282349042]
  DSR-sourced, textbfDual-textbfS textbfReasoning frameworkを導入する。 ポストトレーニングやインコンテキストの例がなければ、DSR-sourcedは競合性能を達成し、スパイダー2.0-Snowで35.28%、BIRD開発で68.32%に達する。
  論文  参考訳（メタデータ） (2025-11-26T13:52:50Z)
• From Queries to Insights: Agentic LLM Pipelines for Spatio-Temporal Text-to-SQL [8.496933324334167]
  本研究では,MistralをベースとしたRellama-sqlcoder-8bによるオーケストレーションにより,簡単なテキストからActまでのベースライン(Rellama-sqlcoder-8b)を提案する。 ニューヨークと東京のチェックインで35の自然言語クエリを評価し,空間的・時間的マルチデータセット推論について検討した。 このエージェントは、データセット 91.4% 対 28.6% よりもかなり精度が高く、地図によるユーザビリティを高め、自然言語の要約を構造化する。
  論文  参考訳（メタデータ） (2025-10-29T22:18:57Z)
• HI-SQL: Optimizing Text-to-SQL Systems through Dynamic Hint Integration [1.3927943269211591]
  テキスト・ツー・ジェネレーションは自然言語とデータベースのギャップを埋め、ユーザーは専門知識を必要とせずにデータをクエリできる。 履歴クエリログを利用した新しいヒント生成機構を組み込んだパイプラインHI-theを提案する。 先行クエリを解析することにより、マルチテーブルおよびネストされた操作の複雑さを扱うことに焦点を当てたコンテキストヒントを生成する。 提案手法は,LCM生成クエリのクエリ精度を大幅に向上し,呼び出しやレイテンシの面で効率性を確保した。
  論文  参考訳（メタデータ） (2025-06-11T12:07:55Z)
• Weaver: Interweaving SQL and LLM for Table Reasoning [62.55797244714265]
  Weaverは、構造化データ検索のためのsqlとセマンティック処理のためのLLMを組み合わせたフレキシブルなステップバイステッププランを生成する。 Weaverは、4つのTableQAデータセットで、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2025-05-25T03:27:37Z)
• RB-SQL: A Retrieval-based LLM Framework for Text-to-SQL [48.516004807486745]
  文脈内学習を伴う大規模言語モデル(LLM)は、テキスト・ツー・タスクの性能を大幅に改善した。 In-context prompt Engineering のための新しい検索ベースフレームワーク RB- を提案する。 実験により,我々のモデルは,公開データセットのBIRDとSpiderの競合ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-07-11T08:19:58Z)
• 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)
• Structure Guided Large Language Model for SQL Generation [14.079764882536077]
  構造対応型テキスト・ツー・クエリ・フレームワーク(SGU)を提案する。 SGU対応のテキスト・ツー・クエリ・フレームワーク(SGU)は、最先端のテキスト・ツー・モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-02-19T09:07:59Z)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• BERT Meets Relational DB: Contextual Representations of Relational Databases [4.029818252558553]
  複数のテーブルからなる関係データベース上でエンティティの低次元表現を学習する問題に対処する。 これらの注意に基づくモデルを使用して、リレーショナルデータベース内のエンティティの埋め込みを学ぶ方法を検討します。
  論文  参考訳（メタデータ） (2021-04-30T11:23:26Z)

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。