論文の概要: BAP-SQL: Budget-Aware Observation Planning for Agentic Text-to-SQL

• arxiv url: http://arxiv.org/abs/2608.02876v1
• Date: Mon, 03 Aug 2026 20:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.944979
• Title: BAP-SQL: Budget-Aware Observation Planning for Agentic Text-to-SQL
• Title（参考訳）: BAP-SQL: エージェントテキストからSQLへの予算対応監視計画
• Authors: Chong Peng, Pin Qian, Su Wang, Yihang Chen, Varun Sah,
• Abstract要約: 本稿では, 観測形成を予算管理段階として扱うBAP-について述べる。 クエリのリスクを見積もり、有用であれば書き直しを行い、独立したランタイムシールドにハード制限を委譲する。 BIRDから派生した最初の設定では、一致するSFTに対して3.4/3.6ポイントを獲得し、4.5/5.0%のトークンを使用する。 この利点は、モデル能力と予算の増大を減らし、最もゆるやかな設定で逆転し、データベースの作業を減らすことはない。
• 参考スコア（独自算出の注目度）: 10.401132312381533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tool-using agents do not merely consume observations: their actions determine what arrives next. In agentic text-to-SQL, a broad query can spend context and database work before useful evidence appears, while post-hoc compression cannot recover omitted rows or expended work. We present BAP-SQL, which treats observation formation as a budget-control stage: it estimates query risk, rewrites SQL when useful, and delegates hard limits to an independent runtime shield. Across general 4B, specialized FINER-SQL 4B, and 7B backbones, BAP-SQL improves tight-budget success. On the primary BIRD-derived setting, it gains 3.4/3.6 percentage points over matched SFT while using 4.5/5.0% fewer tokens. Matched retraining and task-level transfer associate the gain with policy-visible planning and budget-sensitive rescue. The benefit attenuates as model capability and budget increase, reverses at the loosest setting, and does not reduce database work.
• Abstract（参考訳）: ツールを使用するエージェントは単に観察を消費するだけでなく、そのアクションが次に何が来るかを決定する。 agentic text-to-SQLでは、有用なエビデンスが現れる前に、コンテキストとデータベースの作業に広範なクエリを使用できます。 BAP-SQLは、観測生成を予算管理段階として扱い、クエリのリスクを見積もり、有用であればSQLを書き直し、独立したランタイムシールドにハードリミットを委譲する。 一般的な4B、特殊なFINER-SQL 4B、および7Bバックボーンの他、BAP-SQLは予算の厳しい成功を改善している。 BIRDから派生した最初の設定では、一致するSFTに対して3.4/3.6ポイントを獲得し、4.5/5.0%のトークンを使用する。 調整された再訓練とタスクレベルの移行は、利益と政策可視的な計画と予算に敏感な救済とを関連付ける。 この利点は、モデル能力と予算の増大を減らし、最もゆるやかな設定で逆転し、データベースの作業を減らすことはない。

関連論文リスト

• ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL [51.98164069124653]
  ProSPyは、エンタープライズスケールのテキスト-非依存分析のためのプロファイリング駆動フレームワークである。 ProSPyは推論プロセスを4段階に構成する。 まず、自動プロファイリングにより、きめ細かいデータ証拠を抽出する。 大規模なスキーマをタスク関連コンテキストに抽出する。
  論文  参考訳（メタデータ） (2026-06-04T08:13:05Z)
• CAPER: Clause-Aligned Process Supervision for Text-to-SQL [11.286563956844946]
  本稿では,SQL 抽象構文木への反実的介入を通じて,自動的に節レベルの監視を導出する CAPER を提案する。 得られたデータは、ポリシー最適化と候補検証のための軽量なクロース境界フィードバックであるCAPER-9Bのトレーニングに使用される。 BIRDとスパイダーの実験では、節順の監督は実行精度を向上するだけでなく、GPT-5.4よりも15.3%の改善を達成し、障害局所化能力を強化し、84.53%の精度と90.60%のMRRを達成した。
  論文  参考訳（メタデータ） (2026-06-02T08:35:40Z)
• FINER-SQL: Boosting Small Language Models for Text-to-SQL [40.19592881059662]
  大規模言語モデルは、高い計算コスト、長いレイテンシ、データプライバシの懸念に悩まされる。 自然な代替手段は、効率的でプライベートなオンプレミスデプロイメントを可能にする、小さな言語モデルを使用することだ。 スケーラブルで再利用可能な強化学習フレームワークであるFINER-sqlを提案する。
  論文  参考訳（メタデータ） (2026-05-05T07:51:29Z)
• R$^3$-SQL: Ranking Reward and Resampling for Text-to-SQL [55.967050404665606]
  R$3$-はBIRD-devで75.03の精度を達成した。
  論文  参考訳（メタデータ） (2026-04-28T07:40:50Z)
• Companion Agents: A Table-Information Mining Paradigm for Text-to-SQL [8.159121916366727]
  BIRDのような大規模テキスト・ツー・キュレートのベンチマークは通常、利用可能な外部知識だけでなく、完全で正確なデータベースアノテーションを前提としている。 このミスマッチはドメイン・オブ・ザ・ドメイン・テキスト・トゥ・アーティファクトシステムの現実的な適用性を著しく制限する。 本稿では,関係データベースに内在する固有できめ細かな情報を活用するデータベース中心の手法を提案する。
  論文  参考訳（メタデータ） (2025-12-17T07:11:55Z)
• 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)
• 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)
• DAC: Decomposed Automation Correction for Text-to-SQL [51.48239006107272]
  De Automation Correction (DAC)を導入し、エンティティリンクとスケルトン解析を分解することでテキストから合成を補正する。 また,本手法では,ベースライン法と比較して,スパイダー,バード,カグルDBQAの平均値が平均3.7%向上することを示した。
  論文  参考訳（メタデータ） (2024-08-16T14:43:15Z)
• MAC-SQL: A Multi-Agent Collaborative Framework for Text-to-SQL [47.120862170230566]
  最近のText-to-Yourselfメソッドは通常、"巨大な"データベース上での大幅なパフォーマンス劣化に悩まされる。 我々は,新しいテキスト・ツー・ユー・セルフ LLM ベースのマルチエージェント協調フレームワーク MAC を紹介する。 我々のフレームワークでは、GPT-4を全てのエージェントタスクの強力なバックボーンとして利用し、フレームワークの上限を決定する。 次に、Code 7Bを活用することで、オープンソースの命令フォローモデルであるsql-Llamaを微調整し、GPT-4のように全てのタスクを達成します。
  論文  参考訳（メタデータ） (2023-12-18T14:40:20Z)
• Weakly Supervised Text-to-SQL Parsing through Question Decomposition [53.22128541030441]
  我々は最近提案されたQDMR(QDMR)という意味表現を活用している。 質問やQDMR構造(非専門家によって注釈付けされたり、自動予測されたりする)、回答が与えられたら、我々は自動的にsqlクエリを合成できる。 本結果は,NL-ベンチマークデータを用いて訓練したモデルと,弱い教師付きモデルが競合することを示す。
  論文  参考訳（メタデータ） (2021-12-12T20:02:42Z)

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。