論文の概要: EvoSQL: Memory-Augmented Critic-Generator Co-Evolution for Text-to-SQL

• arxiv url: http://arxiv.org/abs/2607.20489v1
• Date: Thu, 04 Jun 2026 14:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.198991
• Title: EvoSQL: Memory-Augmented Critic-Generator Co-Evolution for Text-to-SQL
• Title（参考訳）: EvoSQL: テキストからSQLへのメモリ拡張された批判生成の共進化
• Abstract要約: エヴォウェン(Evowen)は、ジェネレータと批評家の間の相互作用の共進化である。 発電機・臨界対を強化するために, 自己蒸留政策(SDPO)を導入する。 実験によると、EvowenはMag@16ベースラインよりもオープンソースモデルを一貫して改善している。
• 参考スコア（独自算出の注目度）: 12.094895321584152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-SQL has advanced rapidly with large language models, but complex database queries still require reasoning beyond one-shot generation, including multi-step decomposition, execution-based diagnosis, and targeted correction. We present EvoSQL, a co-evolution framework that formulates SQL synthesis as an iterative interaction between a generator and a critic. EvoSQL maintains a contextualized candidate memory, verifies SQL candidates with both execution signals and LLM-based critique, and updates its memory through utility-guided aggregation. To strengthen the underlying generator-critic pair, we further introduce a Self-Distillation Policy Optimization (SDPO) fine-tuning stage that injects execution-aware supervision into modern coding LLM backbones. Experiments on Spider and BIRD show that EvoSQL consistently improves open-source models over Maj@16 baselines, with particularly large gains on BIRD-Dev, ranging from +1.37% for Qwen3-4B to +9.19% for Qwen2.5-Coder-3B. SDPO initialization further improves selected backbones on Spider-Test and BIRD-Dev. These results suggest that memory-grounded co-evolution is an effective path toward more reliable and generalizable Text-to-SQL systems. Code is available at https://github.com/valleysprings/EvoSQL.
• Abstract（参考訳）: Text-to-SQLは大規模な言語モデルで急速に進歩しているが、複雑なデータベースクエリには、マルチステップの分解、実行ベースの診断、ターゲットの修正など、ワンショット生成以上の推論が必要である。 EvoSQLは、ジェネレータと批評家の反復的な相互作用としてSQL合成を定式化する共進化フレームワークである。 EvoSQLは、コンテキスト化された候補メモリを維持し、実行信号とLCMベースの批判の両方でSQL候補を検証し、ユーティリティ誘導アグリゲーションを通じてそのメモリを更新する。 ジェネレータと批判的ペアを強化するために,現代のLCMバックボーンに実行対応の監視を注入するSDPO(Self-Distillation Policy Optimization)ファインチューニングステージを導入する。 スパイダーとBIRDの実験では、EvoSQLはMag@16ベースラインよりも一貫してオープンソースモデルを改善しており、特にQwen3-4Bの+1.37%からQwen2.5-Coder-3Bの+9.19%まで、BIRD-Devで大きく伸びている。 SDPOの初期化は、Spider-TestとBIRD-Devで選択されたバックボーンをさらに改善する。 これらの結果から,メモリ・グラウンドの共進化は,より信頼性が高く一般化可能なテキスト・トゥ・SQLシステムへの効果的な経路であることが示唆された。 コードはhttps://github.com/valleysprings/EvoSQLで入手できる。

関連論文リスト

• ACE-SQL: Adaptive Co-Optimization via Empirical Credit Assignment for Text-to-SQL [6.968226996634463]
  既存の方法は、フルスキーマ生成に依存するか、静的なゴールドカラムの監督で訓練された別個のレトリバーを使用するかのいずれかであり、現在のジェネレータポリシーに最適である可能性がある。 本研究では,実行フィードバック下でのスキーマ検索とsql生成を協調的に最適化する強化学習フレームワークであるACE最適化を提案する。 RLトレーニング用の約3kテキスト・ツー・クエクション・データベースペアでは、ACE-はクエリ毎に0.93kの出力トークンを使用しながら、BIRD Dev上で65.3%のグレディな実行精度を実現している。
  論文  参考訳（メタデータ） (2026-06-04T09:11:04Z)
• ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL [51.98164069124653]
  ProSPyは、エンタープライズスケールのテキスト-非依存分析のためのプロファイリング駆動フレームワークである。 ProSPyは推論プロセスを4段階に構成する。 まず、自動プロファイリングにより、きめ細かいデータ証拠を抽出する。 大規模なスキーマをタスク関連コンテキストに抽出する。
  論文  参考訳（メタデータ） (2026-06-04T08:13:05Z)
• LLM-Based SQL Generation: Prompting, Self-Refinement, and Adaptive Weighted Majority Voting [7.590911146338215]
  アンサンブル投票(SSEV)を用いたシングルエージェント自己精製法を提案する。 私たちは、エンタープライズデータベースと現実のText-to-Actタスクの複雑さの増加に対処するために、SSEVパイプラインからの洞察に基づいています。 ReCAPAgent-5.5%は、計画、外部知識検索、批評、行動生成、自己修正、スキーマリンク、結果検証のための特殊エージェントを統合している。
  論文  参考訳（メタデータ） (2026-01-25T18:38:58Z)
• RoboPhD: Self-Improving Text-to-SQL Through Autonomous Agent Evolution [0.2389431394996565]
  RoboPhDは、AIエージェントがテキストから適応的なパフォーマンスを改善するために、自律的に研究を行うシステムである。 フレームワークの中心は、ELOベースの選択メカニズムで、最も適したダイナミクスの生存を可能にする。 このシステムはBIRDテストセットで73.67%の精度を達成し、AIが自力で強力なエージェントシステムを構築できることを実証した。
  論文  参考訳（メタデータ） (2026-01-03T09:16:07Z)
• 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)
• DeKeyNLU: Enhancing Natural Language to SQL Generation through Task Decomposition and Keyword Extraction [46.422626657078666]
  本稿では,1500組のQAペアを含む新しいデータセットであるDeKeyNLUを提案する。 本稿では,ユーザ質問理解,エンティティ検索,生成に3つのモジュールを使用するRAGベースのNL2パイプラインであるDeKeyを提案する。
  論文  参考訳（メタデータ） (2025-09-18T00:47:56Z)
• CogniSQL-R1-Zero: Lightweight Reinforced Reasoning for Efficient SQL Generation [1.169202600932732]
  本稿では,強化学習(RL)フレームワークとモデルであるCogni-R1-Zeroを紹介する。 我々は、実行の正しさとフォーマットタグのコンプライアンスに基づく軽量な報酬信号を使用する。 提案手法は,Text2ベンチマーク上での最先端実行精度を実現する。 効率的かつ解釈可能なテキスト・ツー・コード・モデリングのさらなる研究を支援するために、2つのキュレートされたデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-07-08T14:17:07Z)
• 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)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• 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)

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。