論文の概要: DataFactory: Collaborative Multi-Agent Framework for Advanced Table Question Answering

• arxiv url: http://arxiv.org/abs/2603.09152v1
• Date: Tue, 10 Mar 2026 03:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.003035
• Title: DataFactory: Collaborative Multi-Agent Framework for Advanced Table Question Answering
• Title（参考訳）: DataFactory: 高度な質問応答のための協調型マルチエージェントフレームワーク
• Authors: Tong Wang, Chi Jin, Yongkang Chen, Huan Deng, Xiaohui Kuang, Gang Zhao,
• Abstract要約: Table Question Answering (TableQA)は、構造化データとの自然言語インタラクションを可能にする。 既存の大規模言語モデル(LLM)アプローチには、限界がある。 本稿では,これらの制約に対処するマルチエージェントフレームワークであるDataFactoryを紹介する。
• 参考スコア（独自算出の注目度）: 18.66810094244931
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Table Question Answering (TableQA) enables natural language interaction with structured tabular data. However, existing large language model (LLM) approaches face critical limitations: context length constraints that restrict data handling capabilities, hallucination issues that compromise answer reliability, and single-agent architectures that struggle with complex reasoning scenarios involving semantic relationships and multi-hop logic. This paper introduces DataFactory, a multi-agent framework that addresses these limitations through specialized team coordination and automated knowledge transformation. The framework comprises a Data Leader employing the ReAct paradigm for reasoning orchestration, together with dedicated Database and Knowledge Graph teams, enabling the systematic decomposition of complex queries into structured and relational reasoning tasks. We formalize automated data-to-knowledge graph transformation via the mapping function T:D x S x R -> G, and implement natural language-based consultation that - unlike fixed workflow multi-agent systems - enables flexible inter-agent deliberation and adaptive planning to improve coordination robustness. We also apply context engineering strategies that integrate historical patterns and domain knowledge to reduce hallucinations and improve query accuracy. Across TabFact, WikiTableQuestions, and FeTaQA, using eight LLMs from five providers, results show consistent gains. Our approach improves accuracy by 20.2% (TabFact) and 23.9% (WikiTQ) over baselines, with significant effects (Cohen's d > 1). Team coordination also outperforms single-team variants (+5.5% TabFact, +14.4% WikiTQ, +17.1% FeTaQA ROUGE-2). The framework offers design guidelines for multi-agent collaboration and a practical platform for enterprise data analysis through integrated structured querying and graph-based knowledge representation.
• Abstract（参考訳）: Table Question Answering (TableQA)は、構造化表データとの自然言語インタラクションを可能にする。 しかし、既存の大規模言語モデル(LLM)アプローチでは、データ処理能力を制限するコンテキスト長制限、回答の信頼性を損なう幻覚的問題、意味論的関係やマルチホップ論理を含む複雑な推論シナリオに苦慮する単一エージェントアーキテクチャといった重要な制限に直面している。 本稿では,これらの制約に対処するマルチエージェントフレームワークであるDataFactoryを紹介する。 このフレームワークは、オーケストレーションの推論にReActパラダイムを使用するData Leaderと、専用のデータベースと知識グラフチームで構成されており、複雑なクエリを構造化およびリレーショナルな推論タスクに体系的に分解することができる。 我々は、マッピング関数T:D x S x R -> Gを介して、自動データから知識へのグラフ変換を形式化し、自然言語ベースのコンサルテーションを実装し、固定ワークフローのマルチエージェントシステムとは異なり、柔軟なエージェント間検討と適応計画を可能にし、コーディネーションロバスト性を改善する。 また、歴史的パターンとドメイン知識を統合して幻覚を減らし、クエリの精度を向上させるコンテキストエンジニアリング戦略を適用した。 TabFact、WikiTableQuestions、FeTaQAの5つのプロバイダから8つのLLMを使用して、結果は一貫した増加を示している。 提案手法では,ベースライン上の精度を20.2%(TabFact)と23.9%(WikiTQ)に改善し,大きな効果(Cohen's d > 1)を得た。 チーム調整はシングルチームのバリエーション(+5.5% TabFact、+14.4% WikiTQ、+17.1% FeTaQA ROUGE-2)を上回っている。 このフレームワークは、マルチエージェントコラボレーションのための設計ガイドラインと、構造化クエリとグラフベースの知識表現によるエンタープライズデータ分析のための実践的なプラットフォームを提供する。

関連論文リスト

• ST-Raptor: An Agentic System for Semi-Structured Table QA [16.18235560779917]
  半構造化テーブル質問応答(QA)のためのエージェントシステムST-Raptorを提案する。 ST-Raptorは、ビジュアル編集、ツリーベースの構造モデリング、エージェント駆動クエリ解決を組み合わせたインタラクティブな分析環境を提供し、正確でユーザフレンドリなテーブル理解をサポートする。
  論文  参考訳（メタデータ） (2026-02-03T09:06:21Z)
• TableZoomer: A Collaborative Agent Framework for Large-scale Table Question Answering [26.00027389659854]
  TableZoomerは、テーブル質問応答(TQA)タスクのためのプログラミングベースのエージェントフレームワークである。 2)列選択とエンティティリンクを通じてサブテーブルスキーマを動的に生成するクエリ対応テーブルズーム機構,(3)クエリを実行可能なコードに変換するプログラム・オブ・ソート(PoT)戦略により,数値幻覚を緩和する。
  論文  参考訳（メタデータ） (2025-09-01T09:53:01Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
  本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-21T18:34:43Z)
• Plugging Schema Graph into Multi-Table QA: A Human-Guided Framework for Reducing LLM Reliance [8.83042313837811]
  本稿では,人為的な関係知識を活用して,スキーマリンクとジョインパスを明示的にエンコードするグラフベースのフレームワークを提案する。 自然言語クエリが与えられた場合,提案手法は解析可能な推論チェーンを構築するためにグラフを検索し,プルーニングとサブパスマージ戦略によって支援する。 標準ベンチマークと現実的な大規模データセットの両方の実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2025-06-04T20:21:52Z)

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。