論文の概要: Beyond Static Pipelines: Learning Dynamic Workflows for Text-to-SQL

• arxiv url: http://arxiv.org/abs/2602.15564v1
• Date: Tue, 17 Feb 2026 13:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.072682
• Title: Beyond Static Pipelines: Learning Dynamic Workflows for Text-to-SQL
• Title（参考訳）: 静的パイプラインを超えて - テキストからSQLへの動的ワークフローの学習
• Authors: Yihan Wang, Peiyu Liu, Runyu Chen, Wei Xu,
• Abstract要約: 適応的な構成におけるアクター推論を強化する強化学習フレームワークを提案する。 最適な動的ポリシは、最高の静的ワークフローよりも一貫して優れています。 より広範な探索を促進するための2つの効果的なトレーニングメカニズムと、トレーニング効率を向上させるための擬似報酬を導入する。
• 参考スコア（独自算出の注目度）: 24.88518266117787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-SQL has recently achieved impressive progress, yet remains difficult to apply effectively in real-world scenarios. This gap stems from the reliance on single static workflows, fundamentally limiting scalability to out-of-distribution and long-tail scenarios. Instead of requiring users to select suitable methods through extensive experimentation, we attempt to enable systems to adaptively construct workflows at inference time. Through theoretical and empirical analysis, we demonstrate that optimal dynamic policies consistently outperform the best static workflow, with performance gains fundamentally driven by heterogeneity across candidate workflows. Motivated by this, we propose SquRL, a reinforcement learning framework that enhances LLMs' reasoning capability in adaptive workflow construction. We design a rule-based reward function and introduce two effective training mechanisms: dynamic actor masking to encourage broader exploration, and pseudo rewards to improve training efficiency. Experiments on widely-used Text-to-SQL benchmarks demonstrate that dynamic workflow construction consistently outperforms the best static workflow methods, with especially pronounced gains on complex and out-of-distribution queries. The codes are available at https://github.com/Satissss/SquRL
• Abstract（参考訳）: Text-to-SQLは最近目覚ましい進歩を遂げているが、現実世界のシナリオで効果的に適用することは難しい。 このギャップは、単一の静的ワークフローに依存し、スケーラビリティをアウト・オブ・ディストリビューションとロングテールのシナリオに基本的に制限することに由来する。 ユーザが広範な実験を通じて適切な方法を選択する代わりに,システムに推論時にワークフローを適応的に構築できるようにする。 理論的および経験的分析により、最適動的ポリシーは最適な静的ワークフローを一貫して上回り、性能は候補ワークフロー間の不均一性によって根本的に向上することを示した。 適応ワークフロー構築におけるLLMの推論能力を高める強化学習フレームワークであるSquRLを提案する。 ルールベースの報酬関数を設計し、より広範な探索を促進する動的アクターマスキングと、トレーニング効率を向上させるための擬似報酬の2つの効果的なトレーニングメカニズムを導入する。 広く使用されているText-to-SQLベンチマークの実験では、動的ワークフローの構築が、特に複雑なクエリやアウトオブディストリビューションクエリにおいて、最高の静的ワークフローメソッドを一貫して上回っていることが示されている。 コードはhttps://github.com/Satissss/SquRLで公開されている。

関連論文リスト

• FlowMind: Execute-Summarize for Structured Workflow Generation from LLM Reasoning [5.153212048436295]
  LLMは推論やツールの使用によって複雑なタスクを解くことができるが、これらのソリューションを構造化されたものに正確に翻訳することは依然として難しい。 ツール使用のシーケンスとしてモデル化し、タスクを解決し、それらを確実に構築できるメカニズムを設計するものとして問題を再構築する。 本稿では,ワークフロー構築からタスク実行を分離するExecute-Summarize(ES)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-12T10:04:42Z)
• DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
  DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。 社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。 結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
  論文  参考訳（メタデータ） (2025-09-30T10:36:23Z)
• Polymath: A Self-Optimizing Agent with Dynamic Hierarchical Workflow [6.636150750052998]
  大規模言語モデル(LLM)は、詳細な命令と構造化操作からなるエージェントティックを実行することで、複雑なタスクの解決に優れる。 多くの研究者がコードベースの表現を通じてこれらの生成と最適化を自動化しようとしてきた。 既存の方法は、トレーニングと最適化のためにラベル付きデータセットに頼っていることが多く、現実のダイナミックな問題を解決するのに非効率で柔軟性がない。
  論文  参考訳（メタデータ） (2025-08-04T23:50:02Z)
• Flow: Modularized Agentic Workflow Automation [53.073598156915615]
  大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。 しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。 本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。 提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
  論文  参考訳（メタデータ） (2025-01-14T04:35:37Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)

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。