論文の概要: Baikal: Structured Search for Deep Research over Data Lakes
- arxiv url: http://arxiv.org/abs/2607.27726v1
- Date: Thu, 30 Jul 2026 06:05:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.419381
- Title: Baikal: Structured Search for Deep Research over Data Lakes
- Title（参考訳）: Baikal:データレイクに関する深い研究のための構造化された検索
- Abstract要約: Baikalは、異質な証拠をセマンティックな領域にまとめ、それらを適応して探索と搾取のバランスをとるためのフレームワークである。
10,993テーブルと2,757テーブルを含むHybridQAデータレイクとTAT-QAデータレイクに対して,それぞれ15のクエリに対してBaikalを227KのWikipediaパスと13Kの財務報告パスで評価した。
- 参考スコア（独自算出の注目度）: 26.55916751086693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep research over data lakes requires an LLM agent to investigate evidence across thousands of heterogeneous tables and passages to synthesize a report. Existing methods perform iterative retrieval and generation, letting accumulated context determine what to investigate next, which can overexploit locally promising evidence and fail to cover distinct semantic regions under a fixed budget. To address this, we cast deep research over data lakes as a budgeted search problem and present Baikal - a framework that clusters heterogeneous evidence into semantic regions, then searches over them adaptively to balance exploration and exploitation. Within each selected region, Baikal generates and investigates region-grounded subquestions, using finding quality as rewards to update region-level value estimates and guide search under policies ranging from random and LLM-guided selection to Bayesian $ε$-greedy and UCB. We evaluate Baikal on 15 queries each over HybridQA and TAT-QA data lakes containing 10,993 and 2,757 tables, respectively, together with 227K Wikipedia passages and 13K financial report passages. We assess research quality with a new rubric covering groundedness, relevance, diversity, and utility, and use GPT-5-mini to score Baikal and strong baselines, including DeepSearcher and an OpenCode research agent with retrieval and clustering variants. Across both data lakes, Baikal performs strongly under several region-selection policies; its best configuration improves report scores over the strongest baselines by 28% on HybridQA and 36% on TAT-QA. Our analyses attribute these gains to organizing and exploring semantic evidence regions, which improves groundedness and diversity and yields more useful findings under the same subquestion budget. These results demonstrate the value of structured semantic exploration for systematic research and discovery over heterogeneous data lakes.
- Abstract（参考訳）: データレイクに関する深い研究は、LCMエージェントが報告書を合成するために、何千もの異質なテーブルや通路にまたがる証拠を調査する必要がある。
既存の手法は反復的な検索と生成を行い、蓄積されたコンテキストが次に何を調査するかを決定する。
そこで我々は,データレイクに関する深い研究を予算付き探索問題として論じ,不均一な証拠をセマンティックな領域に集約するフレームワークBaikalを,探索と利用のバランスをとるために適応的に探索する。
ベイカルは、各選択領域内で、領域レベルの値の推定値の更新と、ランダムおよびLLM誘導選択からベイズ$ε$-greedyおよびUPBまでのポリシーの下でのガイド探索に、品質を報奨として利用して、領域基底のサブクエストを生成し、調査する。
10,993テーブルと2,757テーブルを含むHybridQAデータレイクとTAT-QAデータレイクに対して,それぞれ15のクエリに対してBaikalを227KのWikipediaパスと13Kの財務報告パスで評価した。
GPT-5-mini を用いて,DeepSearcher や OpenCode 研究エージェントによる検索・クラスタリングのバリエーションを含む,ベイカルで強力なベースラインの評価を行う。
最高の構成は、HybridQAでは28%、TAT-QAでは36%、最強のベースラインではレポートスコアが28%向上する。
分析の結果,これらの成果が意味的エビデンス領域の組織化と探索に寄与し,基盤性や多様性が向上し,同じ調査予算の下でより有用な結果が得られることがわかった。
これらの結果は、異種データ湖上の体系的な研究と発見のための構造的意味探索の価値を実証するものである。
関連論文リスト
- HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。
HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。
報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-27T23:50:46Z) - LakeQuest: A Three-Domain Benchmark for Grounded Question Answering across Data Lakes [15.997957478589482]
リアルなデータレイク上で、エンドツーエンドの検索と合成のパイプラインを評価するためのベンチマークであるLakeQuestを紹介します。
LakeQuestは3つの多様なドメイン(AI/MLメタデータ、リテールバンキング、マルチモーダルなバイオメディカルドラッグ情報)にまたがっており、すべての質問と正確なモダリティを意識したエビデンスポインターをペアリングする。
標準的な検索ツール生成(RAG)やエージェントツール利用手法などの評価により,高品質な検索が正しい推論を保証していないことが明らかとなった。
論文 参考訳（メタデータ） (2026-07-14T03:33:00Z) - DEEPRUBRIC: Evidence-Tree Rubric Supervision for Efficient Reinforcement Learning of Deep Research Agents [17.420077157633852]
報奨に基づく強化学習は、レポート品質を報奨信号に変換するチェック可能な基準に最適化することにより、ディープリサーチエージェントを改善する。
既存の研究の多くは、LLMに与えられたクエリに対してルーリックを生成するよう求めているが、モデルが基盤となる情報要求を推測できない場合、生成されたルーリックは不完全であり、RL効率を低下させる可能性がある。
より信頼性の高いクエリ-ルーブリックの監視を得るために、このプロセスを逆転するデータ構築フレームワークであるDeepRubricを紹介します。
論文 参考訳（メタデータ） (2026-06-15T17:52:27Z) - LakeQA: An Exploratory QA Benchmark over a Million-Scale Data Lake [22.40754170625223]
データレイクに対する検索中心質問応答のベンチマークであるLakeQAを紹介する。
LakeQAはウィキペディアとオープンソースの政府データから約9.5TBのテキストリソースの異種コレクション上に構築されている。
例えば、GPT-5.2はレイクQAで18.37%の正確なマッチスコアしか達成していない。
論文 参考訳（メタデータ） (2026-06-09T06:15:36Z) - Compass: Navigating Global Marine Lead Data Integration through Expert-Guided LLM Agent [55.77954024801206]
海洋鉛(Pb)とその同位体は海洋循環と人為的汚染にとって重要なトレーサーである。
手動抽出はスケールできないが、汎用大規模言語モデル(LLM)は必要なドメイン固有の知識を欠いている。
我々は,LLMが微調整なしで厳密な科学的データ抽出を行うことのできる専門家誘導型適応手法を提案する。
論文 参考訳（メタデータ） (2026-05-28T14:06:25Z) - Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。
RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。
製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
論文 参考訳（メタデータ） (2025-06-29T08:34:59Z) - IrrMap: A Large-Scale Comprehensive Dataset for Irrigation Method Mapping [15.117613534140757]
IrrMapは、地域間での灌水方法マッピングのための最初の大規模データセット(11万パッチ)である。
データセットは2013年から2023年までの複数の西部州で1,687,899の農場と14,117,330エーカーに及ぶ。
論文 参考訳（メタデータ） (2025-05-13T06:36:41Z) - Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。
我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
論文 参考訳（メタデータ） (2025-05-07T11:37:23Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - Country-wide Retrieval of Forest Structure From Optical and SAR
Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。
本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。
ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
論文 参考訳（メタデータ） (2021-11-25T16:21:28Z)
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。