論文の概要: SafeQL: Search-based Refinement for Safe and Efficient LLM-based Text-to-SQL
- arxiv url: http://arxiv.org/abs/2608.09260v1
- Date: Mon, 10 Aug 2026 08:16:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.143648
- Title: SafeQL: Search-based Refinement for Safe and Efficient LLM-based Text-to-SQL
- Title（参考訳）: SafeQL: LLMベースのテキストからSQLへの安全な効率的な検索ベースのリファインメント
- Abstract要約: 本稿では,精錬プロセスにおけるインターフェースの役割を再定義する検索ベースの精錬パラダイムであるSafeQLを提案する。
BirdとSpiderベンチマークの実験によると、SafeQLは再生ベースの方法と比較して、実行精度と効率を大幅に改善している。
- 参考スコア（独自算出の注目度）: 4.9445294133117255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) have advanced Text-to-SQL by enabling natural language interfaces to databases without task-specific fine-tuning. However, existing LLM-based systems remain unreliable, often generating SQL queries that are invalid under the database schema, referencing non-existent tables, attributes, functions, or values. Such errors persist because interactions with the database management system (DBMS) are typically limited to error messages, leaving it in a largely passive role during query refinement. This paper proposes SafeQL, \textit{a search-based refinement paradigm that redefines the role of the DBMS as an active guide in the refinement process}. Instead of regenerating entire queries after execution failure, SafeQL interprets DBMS feedback to incrementally repair only the erroneous components. Each refinement step is formulated as a guided search within a \textit{safe query space}, where candidate queries are progressively validated through DBMS execution, thereby converging to an executable query and preventing repeated regeneration of errors. Experiments on the Bird and Spider benchmarks show that SafeQL significantly improves execution accuracy and efficiency compared to regeneration-based methods.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、タスク固有の微調整なしで自然言語インタフェースをデータベースに提供することにより、高度なテキストからSQLを実現している。
しかし、既存のLLMベースのシステムは信頼できないままであり、しばしばデータベーススキーマの下で無効なSQLクエリを生成し、既存のテーブル、属性、関数、あるいは値を参照する。
データベース管理システム(DBMS)とのインタラクションは一般的にエラーメッセージに限られており、クエリのリファインメントにおいてほとんどパッシブな役割に残されているため、このようなエラーは継続する。
本稿では,リファインメントプロセスにおけるDBMSの役割を再定義するSafeQLを提案する。
SafeQLは、実行障害後にクエリ全体を再生する代わりに、DBMSフィードバックを解釈して、誤ってコンポーネントのみをインクリメンタルに修正する。
ここでは、候補クエリがDBMS実行によって徐々に検証され、実行可能なクエリに収束し、繰り返しエラーの再生を防止する。
BirdとSpiderベンチマークの実験によると、SafeQLは再生ベースの方法と比較して、実行精度と効率を大幅に改善している。
関連論文リスト
- Reflect-SQL: A Self-Reflection Based Framework for Text-to-SQL [3.052889399420755]
自然言語によるデータアクセスの民主化は、現代企業にとって重要な目標である。
テキスト・トゥ・エフェクトの実践的採用は、現実世界の複雑さによって著しく妨げられている。
我々は,多段階自己回帰アプローチに基づくテキスト tosql の新たなフレームワークである Reflect- を紹介する。
我々のフレームワークは72.03%の精度で実行し、最先端のベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-09-01T07:46:27Z) - Benchmarking Text-to-SQL under Role-Based Access Control [27.035834672528548]
現在、人気のあるテキスト・ツー・ベンチマークは、主にSへの無制限アクセスを前提としている。
実際には、ユーザアクセスはロールベースのアクセス制御(RBAC)ポリシを通じて制限されることが多い。
本稿では,既存のテキスト・ツー・ベンチマークを現実的なユーザの役割とアクセスポリシーで強化する総合的なテキスト・ツー・アシストRBACフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-24T09:10:58Z) - EGREFINE: An Execution-Grounded Optimization Framework for Text-to-SQL Schema Refinement [10.675982676332941]
既存のアプローチでは、スキーマを固定として扱い、下流でエラーに対処する。
我々は、制約付き最適化問題としてスキーマの洗練を枠組み化した。
この問題の計算硬度を解析し、カラムワイドグリーディ分解を動機付ける。
論文 参考訳（メタデータ） (2026-05-01T13:01:59Z) - Agent-Agnostic Evaluation of SQL Accuracy in Production Text-to-SQL Systems [2.051598597332424]
運用環境におけるテキストからネイティブ(T2native)評価は、既存のベンチマークが対処しない根本的な課題を生じさせる。
本稿では,自然言語入力のみで動作する生産評価システムSTEFを提案する。
STEFは、フィルタアライメント、セマンティック検証、評価器の信頼性を含む合成計量を用いて、解釈可能な0から100の精度スコアを生成する。
論文 参考訳（メタデータ） (2026-04-30T15:59:28Z) - ErrorLLM: Modeling SQL Errors for Text-to-SQL Refinement [57.98138819417949]
テキスト・ツー・クエリを明示的にモデル化するフレームワークであるErrorLLMを提案する。
ErrorLLMは、バックボーンの初期生成よりも大幅に改善されていることを示す。
ErrorLLMは、精錬効率を維持しつつ、高い検出F1スコアで両面に対処する。
論文 参考訳（メタデータ） (2026-03-04T05:27:20Z) - FuzzySQL: Uncovering Hidden Vulnerabilities in DBMS Special Features with LLM-Driven Fuzzing [37.235342117305684]
Fuzzyはルールベースのパッチをセマンティックな修正と統合し、構文とコンテキストに敏感な障害を修正する。
37の脆弱性を発見しました。そのうち7つは、未テストの特別な機能に結びついています。
本結果は,意味的特徴カバレッジにおける従来のファジィザの限界を浮き彫りにした。
論文 参考訳（メタデータ） (2026-02-23T04:20:19Z) - LLM-Symbolic Integration for Robust Temporal Tabular Reasoning [69.27153114778748]
本研究では,システムおよび制御された評価のための合成データセットであるTempTabQA-Cを紹介する。
この構造化アプローチにより、LLM(Large Language Models)はsqlクエリの生成と実行を可能にし、一般化とバイアス軽減の強化を行う。
論文 参考訳（メタデータ） (2025-06-06T05:14:04Z) - Weaver: Interweaving SQL and LLM for Table Reasoning [62.55797244714265]
Weaverは、構造化データ検索のためのsqlとセマンティック処理のためのLLMを組み合わせたフレキシブルなステップバイステッププランを生成する。
Weaverは、4つのTableQAデータセットで、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2025-05-25T03:27:37Z) - E-SQL: Direct Schema Linking via Question Enrichment in Text-to-SQL [1.187832944550453]
E-Seekは、直接スキーマリンクと候補述語拡張を通じてこれらの課題に対処するように設計された、新しいパイプラインである。
E-Seekは、関連するデータベース項目(テーブル、列、値)と条件を直接質問とsql構築計画に組み込むことで、自然言語クエリを強化し、クエリとデータベース構造の間のギャップを埋める。
総合的な評価は、E-Seekが競争性能、特に66.29%の実行精度で複雑なクエリに優れていることを示している。
論文 参考訳（メタデータ） (2024-09-25T09:02:48Z) - 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) - LLM-R2: A Large Language Model Enhanced Rule-based Rewrite System for Boosting Query Efficiency [65.01402723259098]
本稿では,LLM-R2 という新しいクエリ書き換え手法を提案する。
実験結果から,本手法はクエリ実行効率を大幅に向上し,ベースライン法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-04-19T13:17:07Z) - SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。
数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。
命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
論文 参考訳（メタデータ） (2023-05-26T21:39:05Z)
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。