論文の概要: AttnLink: Turning Attention into Schema Links for Text-to-SQL

• arxiv url: http://arxiv.org/abs/2608.00693v1
• Date: Sat, 01 Aug 2026 14:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.868021
• Title: AttnLink: Turning Attention into Schema Links for Text-to-SQL
• Title（参考訳）: AttnLink: テキストからSQLへのアテンションをスキーマリンクに変換する
• Abstract要約: AttnLinkはアテンションベースのフレームワークで、内部の注意をスキーマ項目の継続的な関連スコアに変換する。 パラメータ更新なしで事前学習した注意を直接探索する AttnLink-U と、直接監督を通じて注意分布をゴールドスキーマアイテムと整列する AttnLink-S の2種類を開発した。 スパイダー、BIRD、スパイダー2石の実験では、AttnLink-SのmAPスコアはそれぞれ99.22%、95.95%、83.29%、ミリ秒スケールのスキーマリンクレイテンシが達成されている。
• 参考スコア（独自算出の注目度）: 7.2263477204621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Schema linking is a critical component of Text-to-SQL systems, but existing approaches often trade off contextual modeling capacity, score-based controllability, and inference efficiency. We introduce AttnLink, an attention-based framework that converts LLMs' internal attention into continuous relevance scores for schema items. AttnLink extracts the attention from the generation-start position to candidate schema spans, enabling all candidates to be ranked in a single prefill pass without autoregressive decoding. We develop two variants: AttnLink-U, which directly probes pretrained attention without parameter updates, and AttnLink-S, which aligns the attention distribution with gold schema items through direct supervision. To improve coverage of multiple relevant schema items, AttnLink-S combines a set-mass objective with an adaptive probability-floor regularizer. The resulting scores support post-hoc precision-recall control through temperature scaling and cumulative-mass selection. Experiments on Spider, BIRD, and Spider2-SQLite show that AttnLink-S achieves mAP scores of 99.22%, 95.95%, and 83.29%, respectively, with millisecond-scale schema-linking latency. It also yields the best or tied-best execution accuracy for downstream SQL generation in seven of nine generator-dataset settings.
• Abstract（参考訳）: スキーマリンクは、Text-to-SQLシステムにおいて重要なコンポーネントであるが、既存のアプローチでは、コンテキストモデリング能力、スコアベースの制御性、推論効率をトレードオフすることが多い。 我々は、LCMの内部の注意をスキーマ項目の連続的関連スコアに変換するアテンションベースのフレームワークであるAttnLinkを紹介した。 AttnLinkは、生成開始位置から候補スキーマスパンへの注意を抽出し、自動回帰デコーディングなしで、すべての候補を単一のプリフィルパスにランク付けすることができる。 パラメータ更新なしで事前学習した注意を直接探索する AttnLink-U と、直接監督を通じて注意分布をゴールドスキーマアイテムと整列する AttnLink-S の2種類を開発した。 複数の関連するスキーマ項目のカバレッジを改善するために、AttnLink-Sは、セット質量目標と適応確率階正規化器を組み合わせた。 結果のスコアは、温度スケーリングと累積質量選択を通じて、ホット後の高精度リコール制御をサポートする。 スパイダー、BIRD、スパイダー2-SQLiteの実験では、AttnLink-S はミリ秒スケールのスキーマリンクレイテンシでそれぞれ99.22%、95.95%、83.29%のmAPスコアを達成している。 また、9つのジェネレータ-データセット設定のうち7つのダウンストリームSQL生成に対して、最高の、あるいは最も結びついた実行精度が得られる。

関連論文リスト

• EviLink: Multi-Path Schema Linking with Uncertainty-Guided Evidence Acquisition for Large-Scale Text-to-SQL [53.116276478707626]
  EviLinkは、マルチハイプセシススキーマと不確実性誘導されたエビデンス獲得を組み合わせている。 Spider2-Snowでは、EviLinkは90.15%のフィールドレベルの厳格なリコールレートを獲得し、平均トークン123.30Kを使用し、固定ジェネレータによる下流SQL生成を改善している。
  論文  参考訳（メタデータ） (2026-05-28T09:32:38Z)
• 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)
• 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)
• LinkAlign: Scalable Schema Linking for Real-World Large-Scale Multi-Database Text-to-SQL [24.740161980003652]
  LinkAlignは、数千のフィールドを持つ大規模データベースに適した、新しいフレームワークである。 LinkAlignは、すべてのスキーマリンクメトリクスにおいて、既存のベースラインを一貫して上回る。 これは、Spider 2.0-Liteベンチマークで33.09%の新しい最先端スコアを達成した。
  論文  参考訳（メタデータ） (2025-03-24T11:53:06Z)
• Knapsack Optimization-based Schema Linking for LLM-based Text-to-SQL Generation [19.036911929688827]
  Knapsack最適化ベースのリンクアプローチ(KaSLA)は、関連するスキーマ要素の欠如を防ぐために設計されている。 KaSLA-1.6B Deepseek-v3 や State-of-the-art (SOTA) スキーマリンク手法など、大規模なスキーマリンクよりも優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-02-18T14:53:45Z)
• 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)
• 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)
• 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)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)

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。