Fugu-MT 論文翻訳(概要): SINT-Flow: Schema Integration using Large Language Model Workflows

論文の概要: SINT-Flow: Schema Integration using Large Language Model Workflows

arxiv url: http://arxiv.org/abs/2607.24492v1
Date: Mon, 27 Jul 2026 14:28:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:15.467265
Title: SINT-Flow: Schema Integration using Large Language Model Workflows
Title（参考訳）: SINT-Flow: 大規模言語モデルワークフローを用いたスキーマ統合
Abstract要約: 本稿では,自動エンドツーエンドスキーマ統合のためのフレームワークであるSINT-Flowを提案する。 SINT-Flowは、複数のエンティティタイプを記述する属性を含む非正規化されたソーステーブルを処理できる。 GPT-5.2とQwen-3.6-27Bを用いたSINT-Flowを代替バックボーンモデルとして評価した。
参考スコア（独自算出の注目度）: 3.188426002064626
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The goal of schema integration is, given a set of input schemata or tables, to derive a global, unified schema that is able to represent the concepts, attributes, and relationships of all input tables in a coherent fashion. This paper presents SINT-Flow, a schema integration framework composed of five LLM-based operators that can be combined into workflows to perform fully automated, end-to-end schema integration. In contrast to existing approaches, SINT-Flow can process denormalized source tables that contain attributes describing multiple entity types. During the schema integration process, these tables are decomposed into separate entity-specific relations. To evaluate SINT-Flow, we introduce SINT-Bench, a schema integration benchmark comprising 10 schema integration tasks consisting of altogether 93 relational tables, including tables that describe multiple types of entities. We evaluate SINT-Flow using GPT-5.2 as well as the open-weight model Qwen-3.6-27B as alternative backbone models. Using these models, SINT-Flow achieves F1 scores of at least 96% for entity-type detection, 85% for attribute detection, and 83% for schema mapping. Furthermore, we perform an ablation study to prove the utility of the applied self-consistency strategy as well as the inclusion of a review loop into the schema matching operator.
Abstract（参考訳）: スキーマ統合の目標は、一連の入力スキーマまたはテーブルが与えられた場合、一貫性のある方法で全ての入力テーブルの概念、属性、関係を表現できるグローバルで統一されたスキーマを導出することである。本稿では,5つのLCMベースの演算子で構成されるスキーマ統合フレームワークであるSINT-Flowについて述べる。既存のアプローチとは対照的に、SINT-Flowは複数のエンティティタイプを記述する属性を含む非正規化されたソーステーブルを処理できる。スキーマ統合プロセスの間、これらのテーブルは別々のエンティティ固有の関係に分割される。 SINT-Flowを評価するために、SINT-Benchを導入する。SINT-Benchは、複数のタイプのエンティティを記述するテーブルを含む、93のリレーショナルテーブルからなる10のスキーマ統合タスクからなるスキーマ統合ベンチマークである。 GPT-5.2とQwen-3.6-27Bを用いたSINT-Flowを代替バックボーンモデルとして評価した。これらのモデルを使用して、SINT-Flowは、エンティティタイプの検出で少なくとも96%、属性検出で85%、スキーママッピングで83%のスコアを得る。さらに,適用した自己整合性戦略の有用性と,スキーママッチング演算子にレビューループを組み込むことの検証を行う。

関連論文リスト

OntoKG: Ontology-Oriented Knowledge Graph Construction with Intrinsic-Relational Routing [0.3642823642133188]
本稿では,大規模知識グラフを型付きプロパティグラフに編成するオントロジー指向のアプローチを提案する。中心となるメカニズムは内在的リレーショナルルーティングであり、すべての特性を内在的またはリレーショナルに分類する。このルーティングは宣言型スキーマを生成し、ストレージバックエンド間で可搬可能で、独立して再利用可能なものだ。
論文参考訳（メタデータ） (2026-04-03T01:17:51Z)
AutoLink: Autonomous Schema Exploration and Expansion for Scalable Schema Linking in Text-to-SQL at Scale [68.29002818359844]
既存の方法は違法なコストを発生させ、リコールとノイズのトレードオフに苦労し、大規模データベースに不利なスケーリングを行う。我々は、反復的エージェント駆動プロセスとしてスキーマリンクを再構成する、自律的なエージェントフレームワークであるtextbfAutoLinkを提案する。実験ではAutoLinkの優れたパフォーマンスを示し、最先端の厳密なスキーマリンクのリコール、すなわち textbf68.7% EX on Bird-Dev (CHESSより優れている)、 textbf34.9% EX on Spider-2.0-Lite (第2位)を実現している。
論文参考訳（メタデータ） (2025-11-21T12:12:17Z)
RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models [83.6013616017646]
RelDiffは、外部キーグラフ構造を明示的にモデル化することによって完全な関係データベースを合成する新しい拡散生成モデルである。 RelDiffは、現実的で一貫性のある合成リレーショナルデータベースの作成において、従来手法よりも一貫して優れている。
論文参考訳（メタデータ） (2025-05-31T21:01:02Z)
AutoSchemaKG: Autonomous Knowledge Graph Construction through Dynamic Schema Induction from Web-Scale Corpora [51.77079220622184]
完全自律的な知識グラフ構築のためのフレームワークであるAutoKGを提案する。大規模言語モデルを利用して知識トリプルを同時に抽出し,テキストから直接包括的なスキーマを誘導する。我々は,9億以上のノードと590億のエッジを持つ知識グラフ群であるATLAS(Automated Triple Linking And induction)を構築した。
論文参考訳（メタデータ） (2025-05-29T16:34:58Z)
SchemaGraphSQL: Efficient Schema Linking with Pathfinding Graph Algorithms for Text-to-SQL on Large-Scale Databases [1.6544167074080365]
本稿では、まず、外部キー関係に基づくスキーマグラフを構築する、ゼロショットでトレーニング不要なスキーマリンク手法を提案する。我々は、結合すべきテーブルや列の最適なシーケンスを特定するために、古典的なパスフィニングアルゴリズムと後処理を適用する。提案手法はBIRDベンチマークの最先端結果を実現し,従来の特殊化,微調整,複雑な多段階LCMに基づくアプローチよりも優れていた。
論文参考訳（メタデータ） (2025-05-23T20:42:36Z)
Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。 Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
論文参考訳（メタデータ） (2024-10-31T16:34:03Z)
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)
Open-Domain Hierarchical Event Schema Induction by Incremental Prompting and Verification [81.17473088621209]
イベントスキーマを,大規模言語モデル(LLM)から導出可能なコモンセンス知識の一形態として扱う。複雑なイベントグラフの構築を3段階に分割するインクリメンタルなプロンプトおよび検証手法を設計する。線形化グラフを生成するのにLLMを直接使用するのに比べ、時間関係が7.2%F1、階層関係が31.0%F1の大規模かつ複雑なスキーマを生成することができる。
論文参考訳（メタデータ） (2023-07-05T01:00:44Z)
Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
論文参考訳（メタデータ） (2022-06-28T14:05:25Z)
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)
A Novel Global Feature-Oriented Relational Triple Extraction Model based on Table Filling [1.6295073821494463]
本稿では,2種類のグローバルアソシエーションをフル活用したグローバルな特徴指向トリプル抽出モデルを提案する。実験により,本モデルの有効性が示され,これらすべてのデータセットに対して最先端の結果が得られた。
論文参考訳（メタデータ） (2021-09-14T14:13:42Z)
Automated Metadata Harmonization Using Entity Resolution & Contextual Embedding [0.0]
我々は、Cogntive DatabaseのDb2Vec埋め込みアプローチの助けを借りて、このステップの自動化を実演する。一致したスキーマとは別に、ターゲットデータモデルの正しい存在論的構造も推測できることを実証する。
論文参考訳（メタデータ） (2020-10-17T02:14:15Z)

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。