論文の概要: Rose-SQL: Role-State Evolution Guided Structured Reasoning for Multi-Turn Text-to-SQL

• arxiv url: http://arxiv.org/abs/2605.03720v1
• Date: Tue, 05 May 2026 13:06:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.941124
• Title: Rose-SQL: Role-State Evolution Guided Structured Reasoning for Multi-Turn Text-to-SQL
• Title（参考訳）: Rose-SQL: マルチターンテキスト-SQLのためのロール状態進化ガイド付き構造化推論
• Authors: Le Zhou, Feng Yao, Fengcai Qiao, Bo Xu, Fangyuan Wang, Boyan Xu,
• Abstract要約: 我々は、文脈に依存した正確な解析を可能にするために、文脈内学習を通じて小規模のLEMを利用する訓練不要のフレームワークであるRos-contextを提案する。 Rose-contextは、コンテキスト内学習のベースラインを4Bスケールで上回り、8Bスケールと14Bスケールで最先端の微調整モデルを大幅に上回ります。
• 参考スコア（独自算出の注目度）: 16.18476891143617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Large Reasoning Models (LRMs) trained with Long Chain-of-Thought have demonstrated remarkable capabilities in code generation and mathematical reasoning. However, their potential in multi-turn Text-to-SQL tasks remains largely underexplored. Existing approaches typically rely on unstable API-based inference or require expensive fine-tuning on small-scale models. In this work, we present Rose-SQL, a training-free framework that leverages small-scale LRMs through in-context learning to enable accurate context-dependent parsing. We introduce the Role-State, a fine-grained representation that bridges the structural gap between schema linking and SQL generation by serving as a structural blueprint. To handle conversational dependencies, Rose-SQL traces the evolution of Role-State through historical context via structural isomorphism checks, guiding the model to infer the possible SQL composition for the current question through verified interaction trajectories. Experiments on the SParC and CoSQL benchmarks show that, within the Qwen3 series, Rose-SQL outperforms in-context learning baselines at the 4B scale and substantially surpasses state-of-the-art fine-tuned models at the 8B and 14B scales, while showing consistent gains on additional reasoning backbones.
• Abstract（参考訳）: Long Chain-of-Thoughtで訓練されたLarge Reasoning Models (LRMs)の最近の進歩は、コード生成と数学的推論において顕著な能力を示している。 しかし、マルチターンのText-to-SQLタスクにおけるそのポテンシャルは、大半が未調査のままである。 既存のアプローチは通常、不安定なAPIベースの推論に依存するか、小規模モデルで高価な微調整を必要とする。 本研究では、文脈に依存した正確な解析を可能にするために、コンテキスト内学習を通じて小規模のLEMを活用する、学習不要のフレームワークであるRose-SQLを紹介する。 これは、スキーマリンクとSQL生成の間の構造的ギャップを、構造的青写真として機能することによって橋渡しする、きめ細かい表現である。 対話的な依存関係を処理するため、Rose-SQLは構造的同型チェックを通じて履歴的コンテキストを通じてRole-Stateの進化をトレースする。 SParCとCoSQLベンチマークの実験によると、Qwen3シリーズでは、Rose-SQLは4Bスケールでコンテキスト内学習ベースラインを上回り、8Bスケールと14Bスケールで最先端の微調整モデルを大幅に上回り、追加の推論バックボーンで一貫した利得を示している。

関連論文リスト

• Track-SQL: Enhancing Generative Language Models with Dual-Extractive Modules for Schema and Context Tracking in Multi-turn Text-to-SQL [50.84251174559123]
  生成言語モデルの性能は、マルチターンテキストソースと同程度に拡張されない。 マルチターンテキスト・ソースにおけるスキーマとコンテキスト変化を追跡するために設計された二重抽出モジュールを用いた生成言語モデルを強化するトラック-を提案する。 Track-は、データセットでそれぞれ7.1%と9.55%のマルチターンインタラクションの実行精度を大幅に改善する。
  論文  参考訳（メタデータ） (2026-03-06T07:57:06Z)
• 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)
• Rationalization Models for Text-to-SQL [13.792561265515003]
  本稿では,テキスト・ツー・シークレット・モデルの微調整を強化するために,CoT(Chain-of-Thought)論理を生成するフレームワークを提案する。 プロセスは、手動でサンプルの小さなセットをアノテートすることから始まり、その後、大きな言語モデルを促すために使用される。 その後、検証されたクエリに基づいて合理化モデルをトレーニングし、広範な合成CoTアノテーションを可能にする。
  論文  参考訳（メタデータ） (2025-02-10T18:38:57Z)
• STAR: SQL Guided Pre-Training for Context-dependent Text-to-SQL Parsing [64.80483736666123]
  文脈依存型テキスト・ツー・パースのための新しい事前学習フレームワークSTARを提案する。 さらに,STARを事前学習するための大規模コンテキスト依存型テキスト対話コーパスを構築した。 大規模な実験により、STARは2つの下流ベンチマークで新しい最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-10-21T11:30:07Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)
• IGSQL: Database Schema Interaction Graph Based Neural Model for Context-Dependent Text-to-SQL Generation [61.09660709356527]
  本稿では,データベーススキーマインタラクショングラフエンコーダを提案し,データベーススキーマ項目の履歴情報を利用する。 ベンチマークSParCおよびCoデータセットを用いて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2020-11-11T12:56:21Z)

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。