論文の概要: DexterSQL: Deep Schema Exploration and Rule-based Correction for Text-to-SQL Generation

• arxiv url: http://arxiv.org/abs/2608.11889v1
• Date: Wed, 12 Aug 2026 10:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.55354
• Title: DexterSQL: Deep Schema Exploration and Rule-based Correction for Text-to-SQL Generation
• Title（参考訳）: DexterSQL: テキストからSQL生成のためのディープスキーマ探索とルールベースの補正
• Abstract要約: 本稿では,複雑な質問に対するテキストベースシステムであるtextscDexter を開発した。 textscDexterは、オープンソースと軽量の両方のモデルを使用して最先端のモデルよりも高い精度を実現している。
• 参考スコア（独自算出の注目度）: 11.797290397638962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prompting-based (\textit{i}.\textit{e}., non-fine-tuning) Text-to-SQL methods, where underlying large language model parameters are not changed for the task, face three problems: (\textit{i})~relying on coarse-grained schema information that may not reveal the fine-grained relationships needed to distinguish ambiguous columns, (\textit{ii})~not capturing recurring SQL-generation failures, and (\textit{iii})~suffering from omission, hallucination, or misplacement of conditions in complex questions. This paper develops \textsc{DexterSQL}, a prompting/non-fine-tuning-based Text-to-SQL system that improves SQL generation with three novel components: (\textit{i})~\emph{deep schema explorator} that identifies ambiguous columns, analyzes their individual and joint data distributions to uncover their relationships and the distinct role of each, (\textit{ii})~\emph{database-agnostic rule creator} that mines mismatches between generated and gold SQL only on the training database and converts them into database-agnostic corrective rules that capture recurring LLM failure patterns; and (\textit{iii})~\emph{multi-path SQL generation} that introduces a dependency-tree-based intermediate representation that uses the question's sentence structure to guide its decomposition into an SQL skeleton for final SQL generation. \textsc{DexterSQL} achieves a higher accuracy compared to the state-of-the-art using both open-source/weight and closed-source/weight models. Particularly, \textsc{DexterSQL}'s shows a high improvement of at least 2.7\% using an open-weight model (GPT-OSS-120B) on BIRD-Dev, with total accuracy 67.6\%. \textsc{DexterSQL} also shows better improvement of at least 0.9\% using closed-weight models, with total accuracy 71.6\% and 72.2\% on BIRD-Dev with GPT-4o and GPT-5.2.
• Abstract（参考訳）: Prompting-based (\textit{i})。 \textit{e}。 例えば、 (\textit{i}) - あいまいな列を区別するのに必要なきめ細かい関係を明らかにしないような粗いきめ細かいスキーマ情報、 (\textit{ii}) - 繰り返し発生するSQL生成障害をキャプチャしない、 (\textit{iii}) - 欠落、幻覚、複雑な問題における条件のずれから救う、3つの問題に直面する。 そこで本研究では,不明瞭なコラムを識別し,個々のデータ分布を解析して,それぞれの関係や役割を解明する,(\textit{ii})~\emph{database-agnostic rule creator},(\textit{ii})~\emph{database-agnostic rule creator},(\textit{ii})〜\emph{database-agnostic rule creator},(\textit{ii})〜\emph{deep schema explorator},(\textit{ii})～\emph{deep schema explorator},(\textit{ii})～\emph{database-agnostic rule creator},(SQL)という3つの新しいコンポーネントでSQL生成を改善するプロンプト/非微細チューニングベースのテキスト・トゥSQLシステムを開発した。 \textsc{DexterSQL} は、オープンソース/重み付けモデルとクローズドソース/重み付けモデルの両方を用いて、最先端技術と比較して高い精度を達成する。 特に、 \textsc{DexterSQL} は BIRD-Dev 上のオープンウェイトモデル (GPT-OSS-120B) を用いて少なくとも 2.7 % を向上し、精度は67.6 % である。 また、GPT-4oとGPT-5.2のBIRD-Devでは71.6\%と72.2\%の精度で、クローズドウェイトモデルを使用して少なくとも0.9\%改善されている。

関連論文リスト

• ACE-SQL: Adaptive Co-Optimization via Empirical Credit Assignment for Text-to-SQL [6.968226996634463]
  既存の方法は、フルスキーマ生成に依存するか、静的なゴールドカラムの監督で訓練された別個のレトリバーを使用するかのいずれかであり、現在のジェネレータポリシーに最適である可能性がある。 本研究では,実行フィードバック下でのスキーマ検索とsql生成を協調的に最適化する強化学習フレームワークであるACE最適化を提案する。 RLトレーニング用の約3kテキスト・ツー・クエクション・データベースペアでは、ACE-はクエリ毎に0.93kの出力トークンを使用しながら、BIRD Dev上で65.3%のグレディな実行精度を実現している。
  論文  参考訳（メタデータ） (2026-06-04T09:11:04Z)
• 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)
• PV-SQL: Synergizing Database Probing and Rule-based Verification for Text-to-SQL Agents [7.865833770467325]
  テキスト・ツー・システムは、特に微妙な要求のある複雑なクエリにおいて、深いコンテキスト理解に苦しむことが多い。 本稿では,2つの相補的コンポーネント(プローブと検証)を通じて,これらの障害に対処するエージェントフレームワークであるPV-Verifyを紹介する。 Probeコンポーネントは、データベースから具体的なレコードを取得するための探索クエリを反復的に生成し、値形式、列のセマンティクス、テーブル間の関係の曖昧さを解消し、よりリッチなコンテキスト理解を構築する。
  論文  参考訳（メタデータ） (2026-04-19T22:54:05Z)
• Track-SQL: Enhancing Generative Language Models with Dual-Extractive Modules for Schema and Context Tracking in Multi-turn Text-to-SQL [50.84251174559123]
  生成言語モデルの性能は、マルチターンテキストソースと同程度に拡張されない。 マルチターンテキスト・ソースにおけるスキーマとコンテキスト変化を追跡するために設計された二重抽出モジュールを用いた生成言語モデルを強化するトラック-を提案する。 Track-は、データセットでそれぞれ7.1%と9.55%のマルチターンインタラクションの実行精度を大幅に改善する。
  論文  参考訳（メタデータ） (2026-03-06T07:57:06Z)
• Query Carefully: Detecting the Unanswerables in Text-to-SQL Tasks [1.7781743265224403]
  テキスト・ツー・システムでは、専門家以外の者が自然言語を使ってデータベースと対話できる。 あいまいな、スコープ外、あるいは解決不可能なクエリに対して実行可能なsqlを生成する傾向は、出力が正しいと誤解される可能性があるため、隠れたリスクをもたらす。 クエリは、sql生成を明示的なあいまいさと不可解な入力の処理と統合するパイプラインである。
  論文  参考訳（メタデータ） (2025-12-19T12:22:27Z)
• 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)
• DeKeyNLU: Enhancing Natural Language to SQL Generation through Task Decomposition and Keyword Extraction [46.422626657078666]
  本稿では,1500組のQAペアを含む新しいデータセットであるDeKeyNLUを提案する。 本稿では,ユーザ質問理解,エンティティ検索,生成に3つのモジュールを使用するRAGベースのNL2パイプラインであるDeKeyを提案する。
  論文  参考訳（メタデータ） (2025-09-18T00:47:56Z)
• UNJOIN: Enhancing Multi-Table Text-to-SQL Generation via Schema Simplification [50.59009084277447]
  論理生成からスキーマ要素の検索を分離するフレームワークUNJOINを紹介する。 最初の段階では、各列をテーブル名でプレフィックスすることで、データベース内のすべてのテーブルの列名を単一のテーブル表現にマージします。 第2段階では、クエリは、この単純化されたスキーマに基づいて生成され、JOIN、UNION、リレーショナルロジックを再構築することで、元のスキーマにマップされる。
  論文  参考訳（メタデータ） (2025-05-23T17:28:43Z)
• 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)
• SelECT-SQL: Self-correcting ensemble Chain-of-Thought for Text-to-SQL [3.422309388045878]
  SelECT-は、チェーン・オブ・シンク、自己補正、アンサンブルの手法をアルゴリズムで組み合わせた、新しいインコンテキスト学習ソリューションである。 具体的には、GPTをベースLLMとして使用する場合、SelECT-Turboはスパイダーリーダーボードの開発セット上で84.2%の実行精度を達成する。
  論文  参考訳（メタデータ） (2024-09-16T05:40:18Z)
• 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)
• UNITE: A Unified Benchmark for Text-to-SQL Evaluation [72.72040379293718]
  テキスト・ツー・ドメイン・システムのためのUNIfiedベンチマークを導入する。 公開されているテキストからドメインへのデータセットと29Kデータベースで構成されている。 広く使われているSpiderベンチマークと比較すると、SQLパターンの3倍の増加が紹介されている。
  論文  参考訳（メタデータ） (2023-05-25T17:19:52Z)

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。