論文の概要: text2ql: Multi-Target Natural Language Querying via a Language-Agnostic Intermediate Representation
- arxiv url: http://arxiv.org/abs/2609.02115v1
- Date: Wed, 02 Sep 2026 05:09:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.092144
- Title: text2ql: Multi-Target Natural Language Querying via a Language-Agnostic Intermediate Representation
- Title（参考訳）: text2ql: 言語に依存しない中間表現によるマルチターゲット自然言語クエリ
- Abstract要約: 本稿では,自然言語インタフェースのためのオープンソースのPythonアーキテクチャであるtext2qlについて述べる。
自然言語インタフェースからデータベースへの3つの構造的制限に対処する。
言語に依存しない中間表現(QueryIR)アーキテクチャに基づいている。
- 参考スコア（独自算出の注目度）: 0.9927219503124457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Natural language interfaces to databases have traditionally suffered from three structural limitations: exclusive targeting of relational SQL, unconditional dependence on large language model (LLM) inference at query time, and absence of any runtime signal when generated queries are semantically incorrect. This paper presents text2ql, an open-source Python framework that addresses all three limitations through a language-agnostic Intermediate Representation (QueryIR) and a pluggable renderer architecture. A single seven-stage detection pipeline serves both SQL and GraphQL targets; a zero-LLM deterministic mode delivers 100% execution accuracy at a median latency of 3.2 ms with no API cost; and every generated query carries a runtime confidence score in [0.15, 0.97] computed from an additive signal model. Evaluated on 50-query random samples from the Spider and BIRD benchmarks (indicative results; full-set evaluation is planned), the LLM-backed mode achieves 62-70% exact match and 84-91% execution accuracy; the deterministic mode achieves 100% execution accuracy with zero parse errors across all 100 test cases. An ablation study isolates schema-aware prompting as the dominant accuracy lever, contributing +18.4 percentage points of exact-match gain over the schema-free baseline on both benchmarks. text2ql is publicly available at https://pypi.org/project/text2ql/ under the Apache 2.0 license.
- Abstract（参考訳）: データベースへの自然言語インタフェースは伝統的に、リレーショナルSQLの排他的ターゲティング、クエリ時の大規模言語モデル(LLM)推論への無条件依存、生成されたクエリが意味的に正しくない時の実行時信号の欠如という3つの構造的制限に悩まされてきた。
本稿では,言語に依存しない中間表現(QueryIR)とプラグイン可能なレンダラアーキテクチャによって,3つの制限に対処する,オープンソースのPythonフレームワークであるtext2qlを提案する。
単一の7段階検出パイプラインは、SQLとGraphQLの両方のターゲットを提供する。ゼロLLM決定論的モードは、APIコストなしで中央値の3.2msで100%実行精度を提供する。
スパイダーとBIRDのベンチマークから50クエリのランダムなサンプルを評価すると、LLMが支援するモードは62-70%の正確な一致と84-91%の実行精度を達成し、決定論的モードは100のテストケースすべてでパースエラーをゼロに100%実行精度を達成している。
アブレーション研究では、スキーマ認識を主要な精度レバーとして分離し、両方のベンチマークにおけるスキーマフリーベースラインに対する正確なマッチゲインの+18.4パーセントに寄与している。
text2qlはApache 2.0ライセンスの下でhttps://pypi.org/project/text2ql/で公開されている。
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) - Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。
このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。
Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
論文 参考訳（メタデータ） (2026-07-08T05:48:57Z) - What Predicts Correctness in Text-to-SQL? A Selective-Prediction Study [0.0]
我々はAUROCを用いて、各クエリがいかに正確かを測定する。
BIRDとスパイダーでは、文字列、構造、実行の自己整合性、スキーマ関連スコア、クエリ実行性といったブラックボックス信号はすべて0.61から0.68AUROCに該当する。
検証器をトレーニングできるかどうかを問う。符号化器と生成器の両方で、約0.77～0.79 AUROCの非分布に到達するが、未知のスキーマでは約0.66に低下する。
論文 参考訳（メタデータ） (2026-07-07T20:52:58Z) - Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows [54.49251107006261]
我々はSpider 2.0-AIFuncを紹介した。これは、Snowflakeプラットフォーム上の6種類のAI機能をカバーする125の現実世界データベースにわたる465の検証済みインスタンスのベンチマークである。
最強のプロプライエタリモデルは67-70%の精度で実行でき、最高のオープンソースモデルは58.1%に達する。
論文 参考訳（メタデータ） (2026-07-07T12:54:08Z) - 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) - Text2GQL-Bench: A Text to Graph Query Language Benchmark [Experiment, Analysis & Benchmark] [16.678372445240957]
Text-to-Graph-Query-Language (Text-to-GQL)システムは、自然言語を実行可能なグラフクエリに変換するトランスレータとして機能する。
既存のデータセットはドメインカバレッジ、グラフクエリ言語のサポート、評価範囲に制限されることが多い。
この制限に対処するために設計されたText-to-GQLベンチマークであるText2GQL-Benchを紹介する。
論文 参考訳（メタデータ） (2026-02-12T09:16:44Z) - 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) - A Multi-Language Object-Oriented Programming Benchmark for Large Language Models [61.267115598083315]
35の既存ベンチマークの調査では、3つの大きな不均衡が明らかになった。
85.7%は単一のプログラミング言語に重点を置いている。
94.3%は関数レベルまたはステートメントレベルのタスクのみを対象としている。
80%以上は平均10件未満のテストケースを含む。
論文 参考訳（メタデータ） (2025-09-30T11:30:08Z) - Evaluating NL2SQL via SQL2NL [45.88028371034407]
新しいフレームワークは意味論的に等価で語彙的に多様なクエリを生成する。
最先端のモデルは、標準ベンチマークが示すよりもはるかに脆弱だ。
論文 参考訳（メタデータ） (2025-09-04T21:03:59Z) - 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) - 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)
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。