論文の概要: Sonar-TS: Search-Then-Verify Natural Language Querying for Time Series Databases

• arxiv url: http://arxiv.org/abs/2602.17001v1
• Date: Thu, 19 Feb 2026 01:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.59798
• Title: Sonar-TS: Search-Then-Verify Natural Language Querying for Time Series Databases
• Title（参考訳）: Sonar-TS:時系列データベースの自然言語クエリー検索
• Authors: Zhao Tan, Yiji Zhao, Shiyu Wang, Chang Xu, Yuxuan Liang, Xiping Liu, Shirui Pan, Ming Jin,
• Abstract要約: NLQ4TSDBは、専門家でないユーザが大規模な時間記録から意味のあるイベント、インターバル、要約を検索するのを支援することを目的としている。 本稿では,ニューラルシンボリック・フレームワークであるSonar-TSを提案する。 NLQTSBenchは,TSDBスケールのヒストリーよりもNLQ用に設計された最初の大規模ベンチマークである。
• 参考スコア（独自算出の注目度）: 79.0151672431566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural Language Querying for Time Series Databases (NLQ4TSDB) aims to assist non-expert users retrieve meaningful events, intervals, and summaries from massive temporal records. However, existing Text-to-SQL methods are not designed for continuous morphological intents such as shapes or anomalies, while time series models struggle to handle ultra-long histories. To address these challenges, we propose Sonar-TS, a neuro-symbolic framework that tackles NLQ4TSDB via a Search-Then-Verify pipeline. Analogous to active sonar, it utilizes a feature index to ping candidate windows via SQL, followed by generated Python programs to lock on and verify candidates against raw signals. To enable effective evaluation, we introduce NLQTSBench, the first large-scale benchmark designed for NLQ over TSDB-scale histories. Our experiments highlight the unique challenges within this domain and demonstrate that Sonar-TS effectively navigates complex temporal queries where traditional methods fail. This work presents the first systematic study of NLQ4TSDB, offering a general framework and evaluation standard to facilitate future research.
• Abstract（参考訳）: Natural Language Querying for Time Series Databases (NLQ4TSDB)は、専門家でないユーザが大量の時間レコードから意味のあるイベント、インターバル、要約を検索するのを支援することを目的としている。 しかし、既存のText-to-SQLメソッドは形状や異常などの連続的な形態的意図のために設計されていないが、時系列モデルは超長い歴史を扱うのに苦労している。 これらの課題に対処するため,サーチ-Then-Verifyパイプラインを介してNLQ4TSDBに取り組むニューラルシンボリックフレームワークであるSonar-TSを提案する。 アクティブソナーと類似して、SQL経由で候補ウィンドウを入力するための機能インデックスを使用し、次いで生成されたPythonプログラムを使用して、生信号に対して候補をロックし、検証する。 NLQTSBenchは,TSDBスケールのヒストリーよりもNLQ用に設計された最初の大規模ベンチマークである。 我々の実験は、この領域におけるユニークな課題を強調し、Sonar-TSが従来のメソッドが失敗する複雑な時間的クエリを効果的にナビゲートすることを示した。 本研究は,NLQ4TSDBに関する最初の体系的研究であり,今後の研究を促進するための一般的なフレームワークと評価基準を提供する。

関連論文リスト

• Monte Carlo Tree Search with Reasoning Path Refinement for Small Language Models in Conversational Text-to-NoSQL [20.156191782890797]
  本稿では,自然言語質問,データベース,対話履歴を問う問合せを生成するConversational Text-to-Noタスクを提案する。 そこで我々は,クエリ固有の推論機能を備えた小さな言語モデルを実現するフレームワークであるStage-MCTSを提案する。 提案手法は最先端の大規模推論モデルより優れ,実行値の一致精度を最大7.93%向上させる。
  論文  参考訳（メタデータ） (2026-02-13T03:35:38Z)
• Harnessing Temporal Databases for Systematic Evaluation of Factual Time-Sensitive Question-Answering in Large Language Models [38.12930048471948]
  TDBenchは、タイムセンシティブな質問-回答ペアを体系的に構築する新しいベンチマークである。 時間精度と呼ばれるきめ細かい評価基準は、モデル説明における時間参照の有効性を評価する。 現代のLarge Language Modelsの実験では、スケーラブルで包括的なTSQA評価を実現する方法が示されています。
  論文  参考訳（メタデータ） (2025-08-04T04:27:06Z)
• On the Temporal Question-Answering Capabilities of Large Language Models Over Anonymized Data [1.2979906794584584]
  訓練中に存在しないデータに対する時間的推論タスクにおけるLarge Language Model(LLM)の適用性はまだ検討されていない分野である。 本稿では、構造化および半構造化された匿名化データに焦点をあてて、このトピックについて論じる。 自然言語における17の共通時間的推論タスクを特定し,そのアルゴリズム的構成要素に着目した。
  論文  参考訳（メタデータ） (2025-04-10T10:48:42Z)
• P-RAG: Progressive Retrieval Augmented Generation For Planning on Embodied Everyday Task [94.08478298711789]
  Embodied Everyday Taskは、インボディードAIコミュニティで人気のあるタスクである。 自然言語命令は明示的なタスクプランニングを欠くことが多い。 タスク環境に関する知識をモデルに組み込むには、広範囲なトレーニングが必要である。
  論文  参考訳（メタデータ） (2024-09-17T15:29:34Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)
• Large Language Models for Next Point-of-Interest Recommendation [53.93503291553005]
  位置情報ベースのソーシャルネットワーク(LBSN)データは、しばしば次のPoint of Interest(POI)レコメンデーションタスクに使用される。 しばしば無視される課題の1つは、LBSNデータに存在する豊富なコンテキスト情報を効果的に利用する方法である。 本稿では,この課題に対処するために,LLM(Large Language Models)を用いたフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-19T13:28:36Z)
• Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
  本研究では,ALIESと呼ばれる新しい手法を提案する。 入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。 元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
  論文  参考訳（メタデータ） (2023-05-24T06:16:44Z)
• OPAL: Ontology-Aware Pretrained Language Model for End-to-End Task-Oriented Dialogue [40.62090743056549]
  本稿では、エンドツーエンドタスク指向対話(TOD)のためのオントロジー対応事前学習言語モデル(OPAL)を提案する。 チャット型対話モデルとは異なり、タスク指向対話モデルは少なくとも2つのタスク固有モジュールを満たす:対話状態トラッカー(DST)と応答生成器(RG)。
  論文  参考訳（メタデータ） (2022-09-10T04:38:27Z)
• Semantic Parsing Natural Language into Relational Algebra [4.56877715768796]
  データベースへの自然なインターフェース(NLIDB)は、過去数十年で多く研究されてきた。 ニューラルディープラーニングの最近の進歩は、一般的なNLIDBシステムを構築する上で有望な方向性をもたらすように思われる。
  論文  参考訳（メタデータ） (2021-06-25T19:36:02Z)

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。