論文の概要: LeafData: An Agentic System for Data Migration
- arxiv url: http://arxiv.org/abs/2607.21618v1
- Date: Sun, 31 May 2026 11:40:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.94625
- Title: LeafData: An Agentic System for Data Migration
- Title（参考訳）: LeafData: データマイグレーションのためのエージェントシステム
- Abstract要約: LeafDataは、ユーザの意図をデータマイグレーションのための検証済みかつ実行可能な設定に変換する。
LeafDataはリレーショナルデータベース、ファイルベースシステム、ドキュメント指向データベース、RESTなど、さまざまなデータソースとコネクタ間の異種データマイグレーションをサポートする。
- 参考スコア（独自算出の注目度）: 2.183874331822586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern data migration relies on JSON configuration to define data connection, pipeline logic, and orchestration behavior. This requires domain knowledge from users and is time-consuming and error-prone. In this paper, we present LeafData, an agentic system that converts user intent into validated and executable JSON configuration for data migration. Specifically, LeafData comprises a frontend chatbot and the backend service. The chatbot incrementally collects required information from users and performs schema-driven validation, while the backend service processes validated inputs and generates JSON configuration artifacts. These artifacts are directly consumable by orchestration platforms, enabling end-to-end pipeline generation and execution without manual coding. LeafData supports heterogeneous data migration across various data sources and connectors including relational databases, file-based systems, document-oriented databases, and REST APIs.
- Abstract（参考訳）: 現代的なデータマイグレーションは、データ接続、パイプラインロジック、オーケストレーション動作を定義するために、JSON設定に依存している。
これはユーザからのドメイン知識を必要とし、時間がかかりエラーが発生します。
本稿では,ユーザ意図をデータマイグレーションのための検証および実行可能なJSON構成に変換するエージェントシステムであるLeafDataを提案する。
具体的には、LeafDataはフロントエンドチャットボットとバックエンドサービスで構成される。
チャットボットは、ユーザから必要な情報をインクリメンタルに収集し、スキーマ駆動のバリデーションを実行する。
これらのアーティファクトはオーケストレーションプラットフォームによって直接消費可能であり、手作業によるコーディングなしでエンドツーエンドのパイプライン生成と実行が可能になる。
LeafDataは、リレーショナルデータベース、ファイルベースシステム、ドキュメント指向データベース、REST APIを含む、さまざまなデータソースとコネクタ間の異種データマイグレーションをサポートする。
関連論文リスト
- Flama: a Python framework for development and deployment of production-ready APIs, machine learning, and LLM services [0.9668407688201359]
Flamaは、プロダクション対応のWeb API、機械学習サービス、大規模モデル(LLM)アプリケーションの開発とデプロイのためのオープンソースのPythonフレームワークである。
REST API開発、予測モデルの提供、ひとつのアーキテクチャにおける生成AI推論を統合する、型駆動の非同期ファーストプログラミングモデルを提供する。
論文 参考訳（メタデータ） (2026-08-19T09:37:00Z) - Environment-free Synthetic Data Generation for API-Calling Agents [68.95520739708304]
API呼び出し大型言語モデル(LLM)エージェントの訓練には、大量の高品質なトラジェクトリが必要である。
本研究では,LLMをオンザフライデジタルワールドモデルとして活用する環境不要な合成データ生成手法を提案する。
我々は,情報検索タスクと状態変更タスクの両方を含む,挑戦的なAppWorldとOfficeBenchベンチマークに対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-07-18T17:36:44Z) - DataFlow-Harness: A Grounded Code-Agent Platform for Constructing Editable LLM Data Pipelines [9.38656029481013]
我々は,LLMエージェントを案内して,プラットフォームネイティブな非巡回グラフを構築するプラットフォームであるtextscDataFlow-Harnessを紹介した。
12タスクのデータエンジニアリングベンチマークでは、textscDataFlow-Harnessが93.3%のエンドツーエンドパスレートを達成した。
論文 参考訳（メタデータ） (2026-07-18T03:30:19Z) - Social-Annotate: Self-Healing Browser Extension to Annotate and Collect Social Media Data [4.5765295530618895]
Social-Annotateは、オンラインプラットフォーム上でのデータ収集を容易にするフレキシブルなブラウザ拡張である。
カスタマイズ可能なフォームをWebページに注入することで、ユーザはネイティブ環境と対話しながらアノテーションをキャプチャする。
Social-Annotateは,非技術ユーザを対象とした調査フォームのための,ノーコードデザインインターフェースを提供する。
論文 参考訳（メタデータ） (2026-07-01T20:31:53Z) - MetaConfigurator: AI-Assisted RDF Authoring from JSON Data [0.0]
本稿では,オープンソースエディタMetaConfiguratorを拡張したRDFオーサリングビューを提案する。
我々は、AI-assistedLマッピングを使用して既存のYAMLまたはCSVデータをRDFに変換し、トリプルを洗練し、SPARQLクエリを実行し、知識グラフを視覚化し、単一のWebインターフェース内でRDFシリアライズをエクスポートする。
論文 参考訳（メタデータ） (2026-06-05T09:42:01Z) - DeepXiv-SDK: An Agentic Data Interface for Scientific Literature [60.19264121557117]
DeepXiv-SDKは科学文献のための3層エージェントデータインタフェースである。
DeepXiv-SDKは完全なArXivコーパスをサポートし、毎日同期して新しいリリースを組み込む。
論文 参考訳（メタデータ） (2026-02-14T23:07:28Z) - TEXT2DB: Integration-Aware Information Extraction with Large Language Model Agents [64.11547566154947]
本稿では,IE 出力と対象データベースの統合を重視した IE TEXT2DB の新たな定式化を提案する。
データインフィル、行数、列の追加といった一般的な要求を特徴とする新しいベンチマークを導入する。
実験によると、OPALは異なるコードプランを生成し、必要なIEモデルを呼び出すことで、多様なデータベーススキーマにうまく適応できる。
論文 参考訳（メタデータ） (2025-10-28T02:49:40Z) - ChatPD: An LLM-driven Paper-Dataset Networking System [10.047333473328388]
ChatPDは学術論文からデータセット情報を抽出するシステムである。
我々のシステムは3つの重要なモジュールで構成されている:textitpaper Collection, textitdataset Information extract, textitdataset entity resolution。
論文 参考訳（メタデータ） (2025-05-28T13:31:08Z) - ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。
我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
論文 参考訳（メタデータ） (2024-09-02T03:19:56Z) - APIGen: Automated Pipeline for Generating Verifiable and Diverse Function-Calling Datasets [99.8988504388011]
APIGenは、関数呼び出しアプリケーションのための検証可能な高品質データセットを合成するために設計された、自動データ生成パイプラインである。
APIGenを活用して、21のカテゴリにわたる3,673の実行可能なAPIを収集し、多様な関数呼び出しデータセットを生成します。
機能呼び出しエージェントドメインの分野を推し進めるため、6万の高品質なエントリを含むデータセットをリリースする。
論文 参考訳（メタデータ） (2024-06-26T17:49:11Z) - Doc2Dict: Information Extraction as Text Generation [0.0]
Doc2Dictはドキュメントレベルの情報を抽出するパイプラインである。
既存のデータベースレコードの言語モデルをトレーニングし、構造化されたスパンを生成します。
チェックポインティングとチャンクエンコーディングを用いて,1つのベースライン上の最大32,000トークンのシーケンスに適用する。
論文 参考訳（メタデータ） (2021-05-16T20:46:29Z) - Petri Nets with Parameterised Data: Modelling and Verification (Extended
Version) [67.99023219822564]
我々は、カタログネットと呼ばれるカラーペトリネットの拡張を紹介し、研究し、このタイプのプロセスを捉える2つの重要な特徴を提供する。
我々は、新しい価値注入が特に扱いにくい機能であることを示し、それを改ざんするための戦略について議論する。
論文 参考訳（メタデータ） (2020-06-11T17:26:08Z)
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。