論文の概要: TAHOE: Text-to-SQL with Automated Hint Optimization from Experience

• arxiv url: http://arxiv.org/abs/2606.12387v1
• Date: Wed, 10 Jun 2026 17:52:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.609107
• Title: TAHOE: Text-to-SQL with Automated Hint Optimization from Experience
• Title（参考訳）: TAHOE: 経験から自動化されたHint最適化を備えたテキストからSQL
• Authors: Zhiyi Chen, Jie Song, Peng Li,
• Abstract要約: Tahoeは、プロンプト最適化を動的データ管理問題として扱うシステムである。 Tahoeは、開発とデプロイメントにまたがるエラー駆動のヒント学習パイプラインを使用している。 ストラテジレイヤは、自然言語トリガの共有の下で競合する戦略として、ユーザの意図と矛盾する。
• 参考スコア（独自算出の注目度）: 10.727930549242473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have democratized database access through Text-to-SQL, but moving from prototypes to production remains difficult. Real deployments must handle strict SQL dialects, massive schemas, and evolving user preferences, while supervised fine-tuning is costly and rigid and agentic test-time scaling is expensive. We present Tahoe, a system that treats prompt optimization as a dynamic data management problem. Tahoe uses an error-driven hint learning pipeline across Development and Deployment to consolidate debugging traces into a structured Hint Bank. Compiler feedback is distilled into reusable Syntax Hints for dialect-specific rules, while execution and user feedback are converted into Semantic Hints for schema- and user-specific logic. Tahoe further introduces a Strategy Layer that models conflicting user intents as competing strategies under shared natural-language triggers, with recency signals and post-learning attribution statistics that summarize empirical success, harm, inertness, and support. At inference time, Tahoe retrieves relevant hints and guides the LLM through Logic Planning followed by SQL Synthesis. We implement and evaluate the development-phase workflow, leaving deployment-time human-feedback updates for future work. On Spider 2.0-Snow, Tahoe substantially improves Text-to-SQL without updating model parameters. On 113 supervised Spider 2.0-Snow-0212 examples using GPT-5.5, Tahoe raises pass rate from 61.95 percent to 79.42 percent and pass-at-4 from 72.57 percent to 87.61 percent, achieves 100 percent Snowflake syntax pass rate, and reduces average compiler-feedback critic rounds from 2.79 to 0.12 per sampled candidate. The same Hint Bank also transfers to weaker backbones, including a 19.7 percentage-point pass-rate gain on Doubao-2.0-lite.
• Abstract（参考訳）: 大規模言語モデル(LLM)はText-to-SQLを通じてデータベースアクセスを民主化しているが、プロトタイプから本番環境に移行することは依然として難しい。 実際のデプロイメントは厳格なSQL方言、大規模なスキーマ、ユーザの好みの進化を扱う必要がありますが、教師付き微調整はコストが高く、厳格でエージェント的なテストタイムスケーリングは高価です。 本稿では,高速な最適化を動的データ管理問題として扱うシステムであるTahoeを提案する。 Tahoeは、DevelopmentとDeploymentをまたいだエラー駆動のヒント学習パイプラインを使用して、デバッグトレースを構造化されたHint Bankに統合する。 コンパイラフィードバックは方言固有のルールのために再利用可能な構文ヒントに蒸留され、実行とユーザフィードバックはスキーマとユーザ固有のロジックのためにセマンティックヒントに変換される。 Tahoe氏はさらに,ユーザ意図と競合する戦略を,共用自然言語トリガによる競合戦略としてモデル化するStrategy Layerを紹介した。 推論時に、Tahoeは関連するヒントを取得し、Logic Planningを通じてLLMをガイドし、次にSQL合成を行う。 開発フェーズのワークフローを実装して評価し、デプロイ時のヒューマンフィードバックの更新を将来の作業に残します。 Spider 2.0-Snowでは、モデルパラメータを更新することなく、Text-to-SQLを大幅に改善している。 GPT-5.5を使用した113の監督されたスパイダー2.0-Snow-0212の例では、パスレートを61.95パーセントから79.2%に引き上げ、パスアット-4を72.57パーセントから87.61パーセントに引き上げ、100%スノーフレーク構文パスレートを達成し、平均的なコンパイラフィードバック批判ラウンドを2.79から0.12に減らした。 同じヒント銀行も、ドーバオ2.0ライトでの19.7%のパスレート利回りを含む、より弱いバックボーンに移行している。

関連論文リスト

• Schema on the Inside: A Two-Phase Fine-Tuning Method for High-Efficiency Text-to-SQL at Scale [2.8815599572682906]
  私たちは、インド最大のファンタジースポーツプラットフォームであるDream11の姉妹アプリであるCriQで、会話ボット用に設計された8Bパラメーターモデルを紹介します。 新たな2段階教師付き微調整手法により,データベース全体の内部化が可能となり,長文プロンプトの必要がなくなる。 これにより、入力トークンは17k-tokenベースラインから100未満に99%以上削減され、コストのかかる外部APIコールを効率的なローカル推論に置き換える。
  論文  参考訳（メタデータ） (2026-03-25T07:33:44Z)
• 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)
• RAISE: Reasoning Agent for Interactive SQL Exploration [47.77323087050061]
  本稿では,スキーマリンク,クエリ生成,反復的改善を1つのエンドツーエンドコンポーネントに統一する新しいフレームワークを提案する。 本手法は、不慣れなデータベースを扱う際に、人間がどう答えるかをエミュレートする。
  論文  参考訳（メタデータ） (2025-06-02T03:07:08Z)
• ReEx-SQL: Reasoning with Execution-Aware Reinforcement Learning for Text-to-SQL [21.29343406227956]
  実行フィードバックは、大規模言語モデルを正確に推論し、信頼性の高いクエリを生成するために不可欠である。 既存の方法は、修正や選択のためのポストホック信号としてのみ実行フィードバックを処理し、生成プロセスに統合することができない。 本稿では,ReEx-Reasoningを提案する。ReEx-Reasoningは,デコード中にモデルがデータベースと対話し,実行フィードバックに基づいて推論を動的に調整できるフレームワークである。
  論文  参考訳（メタデータ） (2025-05-19T06:46:47Z)
• ExCoT: Optimizing Reasoning for Text-to-SQL with Execution Feedback [49.21833666405111]
  大規模言語モデル(LLM)は、多くの推論タスクにおいて優れているが、Chain-of-Thought(CoT)推論を活用する能力はいまだに未定である。 我々は,オープンソース LLM を反復的に最適化する新しいフレームワークである ExCoT を提案する。
  論文  参考訳（メタデータ） (2025-03-25T18:17:36Z)
• RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
  本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。 ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。 提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
  論文  参考訳（メタデータ） (2024-10-31T16:22:26Z)
• Wav2SQL: Direct Generalizable Speech-To-SQL Parsing [55.10009651476589]
  Speech-to-Spider (S2Spider) は、与えられたデータベースに対する音声質問をsqlクエリに変換することを目的としている。 ケースドシステム間の誤り合成を回避した,最初の直接音声-話者パーシングモデルWav2を提案する。 実験結果から,Wav2は誤差混成を回避し,ベースラインの精度を最大2.5%向上させることで最先端の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-21T19:26:46Z)
• SUN: Exploring Intrinsic Uncertainties in Text-to-SQL Parsers [61.48159785138462]
  本稿では,ニューラルネットワークに基づくアプローチ(SUN)における本質的な不確かさを探索することにより,テキストから依存への変換性能を向上させることを目的とする。 5つのベンチマークデータセットの大規模な実験により、我々の手法は競合より大幅に優れ、新しい最先端の結果が得られた。
  論文  参考訳（メタデータ） (2022-09-14T06:27:51Z)

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。