Fugu-MT 論文翻訳(概要): Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs

論文の概要: Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs

arxiv url: http://arxiv.org/abs/2601.17058v1
Date: Thu, 22 Jan 2026 12:02:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-27 15:23:07.10625
Title: Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs
Title（参考訳）: LLMはあなたのメスをきれいにできるか? LLMによるアプリケーション対応データ作成に関する調査
Authors: Wei Zhou, Jun Zhou, Haoyu Wang, Zhenghao Li, Qikang He, Shaokun Han, Guoliang Li, Xuanhe Zhou, Yeye He, Chunwei Liu, Zirui Tang, Bin Wang, Shen Tang, Kai Zuo, Yuyu Luo, Zhenzhe Zheng, Conghui He, Jingren Zhou, Fan Wu,
Abstract要約: データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としている。本稿では,様々な下流タスクのためのデータ準備にLLM技術を用いることに焦点を当てる。データクリーニング、標準化、エラー処理、計算、データ統合、データ豊か化という3つの主要なタスクにフィールドを編成するタスク中心の分類を導入します。
参考スコア（独自算出の注目度）: 66.63911043019294
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data preparation aims to denoise raw datasets, uncover cross-dataset relationships, and extract valuable insights from them, which is essential for a wide range of data-centric applications. Driven by (i) rising demands for application-ready data (e.g., for analytics, visualization, decision-making), (ii) increasingly powerful LLM techniques, and (iii) the emergence of infrastructures that facilitate flexible agent construction (e.g., using Databricks Unity Catalog), LLM-enhanced methods are rapidly becoming a transformative and potentially dominant paradigm for data preparation. By investigating hundreds of recent literature works, this paper presents a systematic review of this evolving landscape, focusing on the use of LLM techniques to prepare data for diverse downstream tasks. First, we characterize the fundamental paradigm shift, from rule-based, model-specific pipelines to prompt-driven, context-aware, and agentic preparation workflows. Next, we introduce a task-centric taxonomy that organizes the field into three major tasks: data cleaning (e.g., standardization, error processing, imputation), data integration (e.g., entity matching, schema matching), and data enrichment (e.g., data annotation, profiling). For each task, we survey representative techniques, and highlight their respective strengths (e.g., improved generalization, semantic understanding) and limitations (e.g., the prohibitive cost of scaling LLMs, persistent hallucinations even in advanced agents, the mismatch between advanced methods and weak evaluation). Moreover, we analyze commonly used datasets and evaluation metrics (the empirical part). Finally, we discuss open research challenges and outline a forward-looking roadmap that emphasizes scalable LLM-data systems, principled designs for reliable agentic workflows, and robust evaluation protocols.
Abstract（参考訳）: データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としており、これは幅広いデータ中心のアプリケーションに必須である。駆動 (i)アプリケーション対応データ(分析、可視化、意思決定など)の需要増加 (二)ますます強力なLDM技術、及び 3) フレキシブルエージェント構築を容易にするインフラの出現(例えば、Databricks Unity Catalog)により、LLMを拡張した手法は、データ準備において、急速に変化し、潜在的に支配的なパラダイムになりつつある。本論文は,近年の何百もの文献を調査し,多様な下流タスクのためのデータ作成にLLM技術を用いることに着目し,この発展途上の展望を体系的に考察する。まず、ルールベース、モデル固有のパイプラインから、プロンプト駆動、コンテキスト認識、エージェント準備ワークフローへの根本的なパラダイムシフトを特徴付ける。次に、データクリーニング(例えば、標準化、エラー処理、計算)、データ統合(例えば、エンティティマッチング、スキーママッチング)、データ濃縮(例えば、データアノテーション、プロファイリング)の3つの主要なタスクにフィールドを整理するタスク中心の分類法を紹介します。各課題について、代表的手法を調査し、それぞれの強み(例えば、一般化、意味理解の改善)と限界(例えば、LLMのスケーリングの禁止コスト、高度なエージェントにおいても持続的な幻覚、高度なメソッド間のミスマッチ、弱い評価)を強調した。さらに,一般的なデータセットと評価指標(経験的部分)を分析した。最後に、オープンな研究課題について議論し、スケーラブルなLCMデータシステム、信頼性の高いエージェントワークフローのための原則設計、堅牢な評価プロトコルを強調した先見的なロードマップを概説する。

論文の概要: Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs

関連論文リスト