論文の概要: From SQL to Knowledge Graphs: An LLM-Driven Multi-Agent Approach with Data Schema Improvement

• arxiv url: http://arxiv.org/abs/2608.26117v1
• Date: Wed, 17 Jun 2026 13:05:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.348948
• Title: From SQL to Knowledge Graphs: An LLM-Driven Multi-Agent Approach with Data Schema Improvement
• Title（参考訳）: SQLから知識グラフへ:データスキーマを改良したLLM駆動型マルチエージェントアプローチ
• Abstract要約: グラフデータベースは、より直感的で効率的なデータスキーマを提供する。 既存のRDBMS変換パイプラインのほとんどは、従来のロードコマンドの実行とCypherクエリへの依存に重点を置いている。 本稿では,テーブル名と列名を標準化するために,新しいLLMエージェントを用いてRDBMSとグラフデータベースをブリッジする新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.573908533193216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: RDBMS (Relational Database Management System) databases face several limitations, including slow execution with multi-hop queries and a lack of explainability by graphical interpretations. In contrast, Graph database offers a more intuitive and efficient data schema that performs faster execution on large datasets. Most existing RDBMS conversion pipelines focus on running traditional loading commands and relying on Cypher queries. However, the efficiency of using an LLM to generate an effective graph data schema, significantly reducing the ambiguity of the graph database, remains underexplored in the current research literature. This paper presents a novel algorithm that bridges RDBMS and graph database by using a novel LLM-powered ETL agent to standardize table and column names before saving them to the Data Mart. A Multi-Agent System generates a looping discussion between ETL, Analyzer, and Graph agents to optimize the final design through an iterative process of suggesting and scoring the graph database schema. We ensure that the final graph database meets three criteria before being accepted for data conversion: Accuracy, Groundedness, and Faithfulness. This system demonstrates an effective pipeline to automatically convert a tabular database into a graph database through a comprehensive end-to-end process. Our study highlights notable efficiency in using the converted graph database, which is measured on 1,081 samples of the BFSI dataset across three levels of complexity (easy, medium, and hard). Specifically, CypherAgent achieves an 85.6% accuracy for Q&A tasks using a Graph database, which is 12.12% higher than the accuracy achieved by an SQLAgent on the RDBMS database type PostgreSQL, for all queries. Additionally, the Graph database demonstrates faster performance, reducing latency by approximately 3 times.
• Abstract（参考訳）: RDBMS(Relational Database Management System)データベースは、マルチホップクエリによる遅い実行や、グラフィカルな解釈による説明可能性の欠如など、いくつかの制限に直面している。 対照的に、グラフデータベースはより直感的で効率的なデータスキーマを提供し、大規模なデータセットでより高速に実行される。 既存のRDBMS変換パイプラインのほとんどは、従来のロードコマンドの実行とCypherクエリへの依存に重点を置いている。 しかし、グラフデータベースのあいまいさを著しく低減する有効なグラフデータスキーマを生成するためにLLMを用いることの効率は、現在の研究文献では未解明のままである。 本稿では,データマートに保存する前にテーブル名と列名を標準化するために,LLMを用いた新しいETLエージェントを用いてRDBMSとグラフデータベースをブリッジする新しいアルゴリズムを提案する。 Multi-Agent Systemは、ETL、Analyzer、Graphエージェント間のループディスカッションを生成し、グラフデータベーススキーマの提案と評価の反復プロセスを通じて最終設計を最適化する。 データ変換が受け入れられる前に、最終的なグラフデータベースが3つの基準を満たすことを保証します。 このシステムは、包括的なエンドツーエンドプロセスを通じて、表データベースをグラフデータベースに自動的に変換する効果的なパイプラインを示す。 本研究は,BFSIデータセットの1,081サンプルを3段階の複雑さ(容易性,中性,硬度)で測定したグラフデータベースを用いた場合の顕著な効率性を明らかにする。 具体的には、CypherAgentはグラフデータベースを使用してQ&Aタスクの85.6%の精度を達成しており、全てのクエリに対してRDBMSデータベース型PostgreSQLのSQLAgentが達成した精度よりも12.12%高い。 さらに、Graphデータベースはより高速なパフォーマンスを示し、レイテンシを約3倍削減する。

関連論文リスト

• Graph Memory for LLM Agents: At What Cost? A Comparative Evaluation of Query, Ingest, and Update Performance Across Graph Database Engines [1.752768425135374]
  我々は合成生物医学的な特性グラフ(1.02万ノード、534万ノードとエッジ行)を構築した。 我々はCorvic AIを、7つの目的に構築されたグラフ拡張データベースシステム(LoraDB、Ladybug、DuckPGQ、Memgraph、Neo4j、HugeGraph、FarkorDB)と比較した。 クエリ待ち時間、バルク入力スループット、ポイント更新レイテンシ、および各システムに対する応答正当性を報告し、簡単な総コストオーバシップモデルを導出する。
  論文  参考訳（メタデータ） (2026-09-20T03:04:30Z)
• GraphSeek: Next-Generation Graph Analytics with LLMs [15.668202711555749]
  LLMは、アクセス可能な自然言語(NL)グラフ解析を約束するが、業界規模のプロパティグラフを効率的かつ効率的に処理することができない。 このようなグラフ上での複雑なマルチクエリ解析のための新しい抽象化を考案する。 この抽象化は、GraphSeekと呼ばれる最初のLLM拡張グラフ分析フレームワークの基礎として使用しています。
  論文  参考訳（メタデータ） (2026-02-11T17:20:06Z)
• 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)
• SchemaGraphSQL: Efficient Schema Linking with Pathfinding Graph Algorithms for Text-to-SQL on Large-Scale Databases [1.6544167074080365]
  本稿では、まず、外部キー関係に基づくスキーマグラフを構築する、ゼロショットでトレーニング不要なスキーマリンク手法を提案する。 我々は、結合すべきテーブルや列の最適なシーケンスを特定するために、古典的なパスフィニングアルゴリズムと後処理を適用する。 提案手法はBIRDベンチマークの最先端結果を実現し,従来の特殊化,微調整,複雑な多段階LCMに基づくアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-23T20:42:36Z)
• BRIDGES: Bridging Graph Modality and Large Language Models within EDA Tasks [12.683482535955314]
  LLMのパフォーマンスは、グラフがシーケンシャルテキストとして表現されるときに悩む。 EDAタスクのための LLM にグラフモダリティを組み込むためのフレームワークBRIDGES を紹介する。 その結果、テキストのみのベースラインに比べて、複数のタスクで2倍から10倍の改善が見られた。
  論文  参考訳（メタデータ） (2025-04-07T15:27:32Z)
• Top Ten Challenges Towards Agentic Neural Graph Databases [56.92578700681306]
  Neo4jやTigerGraphのようなグラフデータベース(GDB)は相互接続されたデータを扱うのが得意だが、高度な推論機能が欠けている。 本稿では,NGDBを3つのコア機能で拡張するエージェント型ニューラルネットワークデータベース(Agentic NGDB)を提案する。
  論文  参考訳（メタデータ） (2025-01-24T04:06:50Z)
• Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [70.03602551880526]
  グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。 その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。 本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-29T11:38:45Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)

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。