論文の概要: Tytan: Interactive Neurosymbolic Construction of Analytic Semantic Schemas from Relational Data

• arxiv url: http://arxiv.org/abs/2608.06331v1
• Date: Thu, 06 Aug 2026 17:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.987759
• Title: Tytan: Interactive Neurosymbolic Construction of Analytic Semantic Schemas from Relational Data
• Title（参考訳）: Tytan: リレーショナルデータを用いた解析的意味スキーマの対話型ニューロシンボリック構築
• Abstract要約: 本稿では,関係データベースから解析意味スキーマを自動構築するシステムTYTANを提案する。 証拠が決定を曖昧にしておくと、TYTANはユーザーが対象とする自然言語の質問を行う。 実世界およびベンチマーク領域にまたがる8つのデータベース上でTYTANを評価する。
• 参考スコア（独自算出の注目度）: 0.9485862597874624
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: From natural-language query interfaces to automated report generation, data analysis tools need a description of the data: the real-world entities it contains, which columns function as measures or identifiers, and how tables connect into units of analysis. Today, this semantic layer is usually written by hand. This is a knowledge-acquisition bottleneck that limits the scalability of analytic systems, keeps non-technical users dependent on experts, and is itself error-prone. We present TYTAN, a system for automatically constructing an analytic semantic schema from a relational database and, when available, a short user-provided description. TYTAN combines symbolic analysis of the database with LLM-based semantic inference for entity proposal, role assignment, and naming. When the evidence leaves a decision ambiguous, TYTAN asks the user a targeted natural-language question. We evaluate TYTAN on eight databases spanning real-world and benchmark domains along the three axes that define a schema's functional utility: (i) coverage, are all important entities and features captured?; (ii) retrieval correctness, do the schema's instructions actually reach the data; and (iii) characterization accuracy, are semantic types correct? Across the seven reference domains, TYTAN reaches every entity, attribute, and aggregable feature of the expert-corrected reference schemas (100% coverage). Additionally, 100% of its retrieval instructions execute correctly (1,678 of 1,678 self-generated claims), and semantic roles agree with the reference on 92-100% of matched attributes. Checking the underlying data showed the small disagreement is in the reference, not in TYTAN. On a held-out blind test (a live, ten-table database with no declared keys), TYTAN recovers the full entity structure with verified keys and satisfies 100% of the satisfiable expectations of five independent blind annotators.
• Abstract（参考訳）: 自然言語クエリインターフェースから自動レポート生成に至るまで、データ分析ツールにはデータの記述が必要だ。 今日では、このセマンティック・レイヤは通常手書きである。 これは知識獲得のボトルネックであり、分析システムのスケーラビリティを制限し、専門家に依存しない非技術ユーザを維持し、それ自体がエラーを起こしている。 本稿では,関係データベースから解析的セマンティックスキーマを自動構築するシステムTYTANについて述べる。 TYTANは、データベースのシンボリック解析と、エンティティの提案、ロール割り当て、命名のためのLLMベースのセマンティック推論を組み合わせる。 証拠が決定を曖昧にしておくと、TYTANはユーザーが対象とする自然言語の質問を行う。 実世界とベンチマークドメインにまたがる8つのデータベース上で,スキーマの機能的ユーティリティを定義する3つの軸に沿ってTYTANを評価する。 i) カバレッジ、すべての重要なエンティティと機能はキャプチャされているか? ; (ii)検索の正確性、スキーマの指示が実際にデータに到達すること、 (三)特徴的精度、意味型は正しいか? 7つの参照ドメイン全体で、TYTANは専門家が修正した参照スキーマのすべてのエンティティ、属性、集約可能な機能(100%カバレッジ)に到達する。 さらに、検索命令の100%は正しく実行され(1,678件の自己生成クレームのうち1,678件)、セマンティックな役割は一致した属性の92-100%の参照と一致する。 基礎となるデータをチェックすると、TYTANではなく、小さな不一致が参照されている。 ホールドアウトブラインドテスト(宣言されたキーを持たない10テーブルのデータベース)では、TYTANは認証キーで完全なエンティティ構造を復元し、5つの独立したブラインドアノテータの満足できる期待の100%を満足する。

関連論文リスト

• Natural Language Knowledge Graph Query Execution: Leveraging Controlled Semantics in the LLM Context Window [0.0]
  データベースクエリの場合、データモデルの概念は、宣言された機械可読なセマンティクスを持つ語彙の表現を通して、より効果的にLLMに渡されることを示す。 NLKGQは、ナレッジグラフでモデル化されたデータに対してこれを行う、作業システムと再利用可能なフレームワークである。 我々はDBLP-QuAD 2.0ベンチマーク(57.6%の一致)、DBLP-QuAD 3.1(1,000質問の89.9%の一致)、SemOpenAlex(98%の一致)について評価した。
  論文  参考訳（メタデータ） (2026-09-13T16:36:40Z)
• SAGA: Schema-Aware Grounding for Agentic Text-to-SPARQL Generation [3.01421775057336]
  複雑な知識ベース質問応答(KBQA)は、質問固有のサブグラフ上の情報検索か、あるいは意味解析によって実行可能な論理形式にアプローチすることが一般的である。 最近の大規模言語モデルエージェントは、セマンティックパースをインタラクティブにする。推論、知識ベースへのクエリ、部分的なSPARQLクエリの拡張を交互に行う。 本稿では,SAGA(UnderlineSchema-underlineAware UnderlineGrounding for UnderlineAgentic Text-to-SPARQL Generation)を提案する。
  論文  参考訳（メタデータ） (2026-07-16T02:17:21Z)
• TADI: Tool-Augmented Drilling Intelligence via Agentic LLM Orchestration over Heterogeneous Wellsite Data [0.0]
  TADI(Tool-Augmented Drilling Intelligence)は、ドリル操作データをエビデンスベースの分析インテリジェンスに変換するエージェントAIシステムである。 TADIは、毎日1,759件の掘削レポート、選択されたWITリアルタイムオブジェクト、15,634件の生産記録、生成トップ、穴を二重ストアアーキテクチャに統合している。
  論文  参考訳（メタデータ） (2026-04-30T03:19:39Z)
• DIAGRAMS: A Review Framework for Reasoning-Level Attribution in Diagram QA [56.73431446011309]
  ダイアグラム質問応答(ダイアグラムQA)は、各問合せ対を答えを導き出すために必要なすべての視覚領域にリンクする推論レベルの属性を必要とする。 私たちは、データセット固有の構造からインターフェースロジックを分離する軽量でスキーマ駆動のレビューフレームワークであるDIAGRAMSを紹介します。
  論文  参考訳（メタデータ） (2026-04-29T02:34:51Z)
• 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)
• From Queries to Insights: Agentic LLM Pipelines for Spatio-Temporal Text-to-SQL [8.496933324334167]
  本研究では,MistralをベースとしたRellama-sqlcoder-8bによるオーケストレーションにより,簡単なテキストからActまでのベースライン(Rellama-sqlcoder-8b)を提案する。 ニューヨークと東京のチェックインで35の自然言語クエリを評価し,空間的・時間的マルチデータセット推論について検討した。 このエージェントは、データセット 91.4% 対 28.6% よりもかなり精度が高く、地図によるユーザビリティを高め、自然言語の要約を構造化する。
  論文  参考訳（メタデータ） (2025-10-29T22:18:57Z)
• InsightBench: Evaluating Business Analytics Agents Through Multi-Step Insight Generation [79.09622602860703]
  3つの重要な特徴を持つベンチマークデータセットであるInsightBenchを紹介します。 財務やインシデント管理といったさまざまなビジネスユースケースを表す100のデータセットで構成されている。 単一のクエリに回答することに焦点を当てた既存のベンチマークとは異なり、InsightBenchは、エンドツーエンドのデータ分析を実行する能力に基づいてエージェントを評価する。
  論文  参考訳（メタデータ） (2024-07-08T22:06:09Z)
• SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
  階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。 SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。 データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
  論文  参考訳（メタデータ） (2024-06-13T02:35:55Z)
• Exploiting Contextual Target Attributes for Target Sentiment Classification [53.30511968323911]
  TSCの既存のPTLMベースモデルは、1)PTLMをコンテキストエンコーダとして採用した微調整ベースモデル、2)テキスト/単語生成タスクに分類タスクを転送するプロンプトベースモデル、の2つのグループに分類される。 我々は,PTLM を TSC に活用する新たな視点として,言語モデリングと文脈的ターゲット属性による明示的ターゲットコンテキスト相互作用の利点を同時に活用する。
  論文  参考訳（メタデータ） (2023-12-21T11:45:28Z)
• Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding [84.04706075621013]
  トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。 我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2022-09-28T21:00:30Z)
• 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)

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。