論文の概要: SAFAARI: Schema-Aware Framework for Accelerated Advertiser Response Intelligence
- arxiv url: http://arxiv.org/abs/2607.25042v1
- Date: Mon, 27 Jul 2026 20:02:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.613226
- Title: SAFAARI: Schema-Aware Framework for Accelerated Advertiser Response Intelligence
- Title（参考訳）: SAFAARI: 高速化広告応答インテリジェンスのためのスキーマ対応フレームワーク
- Abstract要約: SAFAARI(-Aware Framework for Accelerated Response Intelligence)は、自然言語のtosqlシステムにおけるリンクのボトルネックに対処するマルチエージェントフレームワークである。
SAFAARIは、データポイント精度(5.51%)とスキーマリンク精度(4.69%)で81.66%のSEALスコア(6.65%改善)を達成した。
このソリューションは、API開発を効率化し、セルフサービス機能、特に複雑なデータエコシステムを持つ顧客サポート企業を強化する。
- 参考スコア（独自算出の注目度）: 3.358849447397754
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The evolution of customer support systems is rapidly advancing with agentic chatbots, yet these systems face significant limitations when accessing enterprise data without predefined API endpoints. This paper presents SAFAARI (Schema-Aware Framework for Accelerated Advertiser Response Intelligence), a multi-agent framework that addresses the critical bottleneck of schema linking in Natural Language to SQL (NL-to-SQL) systems through specialized content, metadata, and orchestration agents. We also introduce SEAL (Schema Evaluation and Accuracy in Language-to-SQL), a novel composite metric that holistically evaluates system performance while penalizing inconsistent results. Through systematic experimentation with five feature set configurations, SAFAARI achieves an 81.66% SEAL score (6.65% improvement over baseline), with notable gains in datapoint accuracy (5.51%) and schema-linking precision (4.69%). The framework's effectiveness is validated through human-in-the-loop evaluation with domain experts, which proves its adaptability across diverse support domains. By automating the labor-intensive process of schema linking and query generation, our framework demonstrates 8x reduction in development time while maintaining high accuracy. The solution streamlines API development and enhances self-service capabilities, particularly benefiting customer support enterprises with complex data ecosystems.
- Abstract（参考訳）: カスタマーサポートシステムの進化は、エージェント型チャットボットによって急速に進展しているが、これらのシステムは、事前に定義されたAPIエンドポイントなしでエンタープライズデータにアクセスする際に、重大な制限に直面している。
本稿では、自然言語とSQL(NL-to-SQL)システムにおけるスキーマリンクの重要なボトルネックに対処する多エージェントフレームワークであるSAFAARI(Schema-Aware Framework for Accelerated Advertiser Response Intelligence)を提案する。
また、一貫性のない結果をペナルティ化しながらシステム性能を均等に評価する新しい合成計量SEAL(Schema Evaluation and Accuracy in Language-to-SQL)についても紹介する。
5つの特徴セットによる体系的な実験により、SAFAARIは81.66%のSEALスコア(ベースラインよりも6.65%改善)を達成し、データポイント精度(5.51%)とスキーマリンク精度(4.69%)が顕著に向上した。
このフレームワークの有効性は、さまざまなサポートドメインにまたがる適応性を証明するドメインエキスパートによるヒューマン・イン・ザ・ループ評価を通じて検証される。
スキーマリンクとクエリ生成の労働集約的なプロセスを自動化することで,高い精度を維持しつつ,開発時間の8倍の削減を図っている。
このソリューションはAPI開発を効率化し、セルフサービス機能を強化します。
関連論文リスト
- ACTS-SQL: Agentic and Critic-Oriented Tree-Structured SQL Correctness with Large Language Models [27.75092433893197]
本稿では,計画的,木構造的デバッグプロセスとしてsql補正を定式化するための学習自由フレームワークを提案する。
我々は,強いLDMバックボーンと代表エージェントベースラインに対して一貫した精度向上を観察し,従来の最先端手法よりも9.42%改善した。
このフレームワークは、オンラインのText-to-TLS APIをサポートするために、Volcano EngineのTorch Log Service (TLS)にもデプロイされている。
論文 参考訳（メタデータ） (2026-08-15T09:43:57Z) - Evolutionary Search for Automated Design of Uncertainty Quantification Methods [59.4676699732568]
大規模言語モデルの不確実性定量化(UQ)手法は、主にドメインの知識と複雑さに基づいて手作業で設計される。
LLMによる進化的探索を応用して,Pythonプログラムに代表される教師なしUQを自動的に検出する。
以上の結果から,LLMを用いた進化探索は,自動で解釈可能な幻覚検出器の設計において有望なパラダイムであることが示唆された。
論文 参考訳（メタデータ） (2026-04-03T21:41:41Z) - 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) - Boundary-Aware NL2SQL: Integrating Reliability through Hybrid Reward and Data Synthesis [23.501567675008264]
BAR- Mutation(Boundary-Aware Reliable NL2)は,信頼性と境界認識を直接生成プロセスに組み込む統合トレーニングフレームワークである。
我々は、解釈可能性を確保するために知識集合推論合成を用いる。
論文 参考訳（メタデータ） (2026-01-15T11:55:01Z) - LoCoBench-Agent: An Interactive Benchmark for LLM Agents in Long-Context Software Engineering [90.84806758077536]
textbfLoCoBench-Agentは,大規模言語モデル(LLM)エージェントを現実的,長期的ソフトウェア工学で評価するための総合的な評価フレームワークである。
我々のフレームワークは、LoCoBenchの8000のシナリオを対話型エージェント環境に拡張し、マルチターン会話の体系的評価を可能にする。
我々のフレームワークは,8つの特殊なツール(ファイル操作,検索,コード解析)をエージェントに提供し,それを10Kから1Mトークンの範囲で評価する。
論文 参考訳（メタデータ） (2025-11-17T23:57:24Z) - GrowthHacker: Automated Off-Policy Evaluation Optimization Using Code-Modifying LLM Agents [0.32839375042867835]
textitGrowthHackerは、大規模な実世界のデータセットのエージェントおよびベースラインメソッドによるベンチマークである。
textittwo_agentフレームワークを開発し、最適化効率を保ちながらシステムの複雑さを低減する。
その結果、2_agentフレームワークは100%の信頼性と106.7%の平均的な改善を実現していることがわかった。
論文 参考訳（メタデータ） (2025-11-02T04:47:17Z) - MCP-Universe: Benchmarking Large Language Models with Real-World Model Context Protocol Servers [86.00932417210477]
MCP-Universeは,実世界のMPPサーバとのインタラクションを通じて,現実的かつ困難なタスクにおいてLLMを評価するために設計された,初めての総合ベンチマークである。
私たちのベンチマークでは、ロケーションナビゲーション、リポジトリ管理、財務分析、3Dデザイン、ブラウザ自動化、Web検索という、11の異なるMSPサーバにまたがる6つのコアドメインを網羅しています。
GPT-5 (43.72%) やGrok-4 (33.33%) やClaude-4.0-Sonnet (29.44%) のようなSOTAモデルでさえ、大幅な性能制限がある。
論文 参考訳（メタデータ） (2025-08-20T13:28:58Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - 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) - SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。
提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。
我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
論文 参考訳（メタデータ） (2025-03-11T17:53:02Z) - Reliable Text-to-SQL with Adaptive Abstention [21.07332675929629]
本稿では,提案手法を組み込むことにより,クエリ生成の信頼性を向上させる新しいフレームワークを提案する。
我々はBIRDベンチマークの総合的な実験を通じてアプローチを検証するとともに、堅牢性と信頼性の大幅な向上を実証した。
論文 参考訳（メタデータ） (2025-01-18T19:36:37Z)
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。