論文の概要: RACT: Retrieval Augmented Column-Table Learning and Prediction for Multi-Table Schema Matching

• arxiv url: http://arxiv.org/abs/2606.07843v1
• Date: Fri, 05 Jun 2026 21:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.481751
• Title: RACT: Retrieval Augmented Column-Table Learning and Prediction for Multi-Table Schema Matching
• Title（参考訳）: RACT: Retrieval Augmented Column-Table Learning and Prediction for Multi-Table Schema Matching
• Authors: Leonard Traeger, Enas Khwaileh, Andreas Behrend, George Karabatis,
• Abstract要約: RACT学習と予測は、全体的スキーママッチングのための参照コンテキストを活用するために使用される。 列の検索空間をトップTテーブルで制限すると、平均マッチング精度と完全性の両方が最大70%向上する。
• 参考スコア（独自算出の注目度）: 0.13999481573773068
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Schema matching, a critical task for integrating data from diverse sources, seeks to identify correspondences between columns across different schemas. In multi-table holistic schema matching, columns with similar semantic meaning may reside in tables with different contexts due to heterogeneous schema designs, where similarity-based techniques are inadequate. The focus of this paper is exploiting referential context into schema matching by introducing RACT learning and prediction, a self-supervised framework enabling the probabilistic retrieval of candidate tables for source columns to constrain relevant column candidates. Experiments demonstrate that this approach outperforms similarity-based baselines on matching multi-table schemas. In subsequent matching experiments, constraining the column search space via top-t tables improves both average matching precision and completeness by up to +70%.
• Abstract（参考訳）: さまざまなソースからのデータを統合するための重要なタスクであるスキーママッチングは、異なるスキーマをまたいだ列間の対応を識別する。 マルチテーブルの全体的スキーママッチングでは、類似性に基づく手法が不十分な異種スキーマ設計のため、類似の意味を持つ列は異なるコンテキストのテーブルに存在することがある。 本稿では、RACT学習と予測を導入することで、参照コンテキストをスキーママッチングに利用し、ソース列に対する候補テーブルの確率的検索と関連する列候補の制約を可能にする自己教師型フレームワークを提案する。 実験により、このアプローチはマルチテーブルスキーマのマッチングにおいて類似性ベースのベースラインよりも優れていることが示された。 その後のマッチング実験では、トップtテーブルによる列探索空間の制約により、平均マッチング精度と完全性の両方が最大70%向上する。

関連論文リスト

• 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)
• Tailoring Table Retrieval from a Field-aware Hybrid Matching Perspective [70.13748256886288]
  表検索はテキスト検索に比べて少ない。 異なるテーブルフィールドは、異なるマッチングの好みを持つ。 テーブル調整ハイブリドマッチングrEtriever(THYME)について紹介する。
  論文  参考訳（メタデータ） (2025-03-04T03:57:10Z)
• ReMatch: Retrieval Enhanced Schema Matching with LLMs [0.874967598360817]
  本稿では,検索強化大言語モデル(LLM)を用いたスキーママッチングのためのReMatchという新しい手法を提案する。 大規模な実世界のスキーマに対する実験結果から,ReMatchが効果的なマーカであることが示された。
  論文  参考訳（メタデータ） (2024-03-03T17:14:40Z)
• Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
  画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。 一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。 本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-25T04:33:27Z)
• SEMv2: Table Separation Line Detection Based on Instance Segmentation [96.36188168694781]
  SEMv2(SEM: Split, Embed, Merge)と呼ばれるテーブル構造認識器を提案する。 本稿では,テーブル分離ラインのインスタンスレベルの識別問題に対処し,条件付き畳み込みに基づくテーブル分離ライン検出戦略を提案する。 SEMv2を包括的に評価するために、iFLYTABと呼ばれるテーブル構造認識のためのより困難なデータセットも提示する。
  論文  参考訳（メタデータ） (2023-03-08T05:15:01Z)
• It's AI Match: A Two-Step Approach for Schema Matching Using Embeddings [10.732163031244646]
  ニューラル埋め込みに基づくスキーママッチングのための新しいエンドツーエンドアプローチを提案する。 以上の結果から,我々の手法は,堅牢かつ信頼性の高い方法で対応を決定可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-03-08T19:42:28Z)
• Retrieving Complex Tables with Multi-Granular Graph Representation Learning [20.72341939868327]
  自然言語テーブル検索の課題は,自然言語クエリに基づいて意味的に関連するテーブルを検索することである。 既存の学習システムは、テーブルがデータフレームとして構成されているという仮定に基づいて、テーブルをプレーンテキストとして扱う。 多粒グラフ表現学習を用いた一般化可能なNLTRフレームワークであるグラフベーステーブル検索(GTR)を提案する。
  論文  参考訳（メタデータ） (2021-05-04T20:19:03Z)
• TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
  テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。 カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2021-02-17T02:18:10Z)
• GraPPa: Grammar-Augmented Pre-Training for Table Semantic Parsing [117.98107557103877]
  テーブルセマンティック解析のための効果的な事前学習手法GraPPaを提案する。 我々は、同期文脈自由文法を用いて、高自由度テーブル上に合成質問ペアを構築する。 実世界のデータを表現できるモデルの能力を維持するため、マスキング言語モデリングも含んでいる。
  論文  参考訳（メタデータ） (2020-09-29T08:17:58Z)

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。