論文の概要: RelAgent: LLM Agents as Data Scientists for Relational Learning

• arxiv url: http://arxiv.org/abs/2605.07840v1
• Date: Fri, 08 May 2026 15:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.143739
• Title: RelAgent: LLM Agents as Data Scientists for Relational Learning
• Title（参考訳）: RelAgent:リレーショナルラーニングのためのデータサイエンティストとしてのLLMエージェント
• Authors: Xingyue Huang, Louis Tichelman, Jinwoo Kim, Krzysztof Olejniczak, İsmail İlkan Ceylan,
• Abstract要約: RelAgentはリレーショナルデータベースに基づく学習のための自律科学者である。 検索フェーズと推論フェーズの2つのフェーズで動作します。 機能は可読性があり、予測は結果のクエリ定義機能マップに依存する。
• 参考スコア（独自算出の注目度）: 16.494534572858125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relational learning is a challenging problem that has motivated a wide range of approaches, including graph-based models (e.g., graph neural networks, graph transformers), tabular methods (e.g., tabular foundation models), and sequence-based approaches (e.g., large language models), each with its own advantages and limitations. We propose RelAgent, an LLM-based autonomous data scientist for relational learning, which operates in two phases. In the search phase, an LLM agent uses database, validation, and evaluation workspace tools to construct SQL feature programs and select a predictive model. In the inference phase, the resulting program is executed without further LLM calls. The final predictor consists of SQL queries and a classical model, enabling fast, deterministic, and intrinsically interpretable predictions: features are human-readable queries, and predictions depend only on the resulting query-defined feature map, enabling scalable deployment using standard database systems.
• Abstract（参考訳）: 関係学習は、グラフベースのモデル(例えば、グラフニューラルネットワーク、グラフトランスフォーマー)、表形式のメソッド(例えば、表の基盤モデル)、シーケンスベースのアプローチ(例えば、大きな言語モデル)など、幅広いアプローチを動機付けてきた課題である。 本稿では,LLMに基づくリレーショナル学習のための自律データ科学者であるRelAgentを提案する。 検索フェーズでは、LLMエージェントがデータベース、バリデーション、評価ワークスペースツールを使用してSQLの機能プログラムを構築し、予測モデルを選択する。 推論フェーズでは、結果のプログラムは、さらなるLCMコールなしで実行される。 最後の予測器はSQLクエリと古典的モデルで構成されており、高速、決定論的、本質的に解釈可能な予測を可能にする。

関連論文リスト

• LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
  大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。 LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-28T17:31:38Z)
• GraphTeam: Facilitating Large Language Model-based Graph Analysis via Multi-Agent Collaboration [31.07238612043854]
  GraphTeamは3つのモジュールから5つのLLMベースのエージェントで構成されており、異なる特殊性を持つエージェントは複雑な問題に対処するために協力することができる。 6つのグラフ分析ベンチマークの実験は、GraphTeamが最先端のパフォーマンスを達成し、精度の点で最高のベースラインよりも平均25.85%改善していることを示している。
  論文  参考訳（メタデータ） (2024-10-23T17:02:59Z)
• LLM-PQA: LLM-enhanced Prediction Query Answering [7.346989832385652]
  本稿では,自然言語で表現された予測クエリに対処する新しいツール LLM-PQA を紹介する。 この統合により、ユーザは多様な異種データと多様なMLモデルにアクセスでき、動的予測クエリ応答が容易になる。
  論文  参考訳（メタデータ） (2024-09-02T10:20:35Z)
• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• Large Language Models Can Automatically Engineer Features for Few-Shot Tabular Learning [35.03338699349037]
  本稿では,機能エンジニアとして大規模言語モデルを用いる新しい文脈内学習フレームワークFeatLLMを提案する。 FeatLLMは高品質なルールを生成し、TabLLMやSTUNTなどよりも大幅に(平均で10%)優れている。
  論文  参考訳（メタデータ） (2024-04-15T06:26:08Z)
• Evaluating and Explaining Large Language Models for Code Using Syntactic Structures [74.93762031957883]
  本稿では,コード用大規模言語モデルに特有の説明可能性手法であるASTxplainerを紹介する。 その中核にあるASTxplainerは、トークン予測をASTノードに整合させる自動メソッドを提供する。 私たちは、最も人気のあるGitHubプロジェクトのキュレートデータセットを使用して、コード用の12の人気のあるLLMに対して、実証的な評価を行います。
  論文  参考訳（メタデータ） (2023-08-07T18:50:57Z)

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。