論文の概要: Can LLMs Normalize Databases? A Benchmark and Multi-Agent Framework for Schema Normalization
- arxiv url: http://arxiv.org/abs/2609.11141v1
- Date: Thu, 10 Sep 2026 06:34:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.234105
- Title: Can LLMs Normalize Databases? A Benchmark and Multi-Agent Framework for Schema Normalization
- Title（参考訳）: LLMはデータベースを正規化できるか? スキーマ正規化のためのベンチマークとマルチエージェントフレームワーク
- Abstract要約: 大規模言語モデル (LLM) は構造化された出力を生成するためにますます使われているが、その信頼性は未だ不明である。
本稿では,関数依存の推論や結合分解,テーブル間制約など,データベースの正規化を通じてこの問題を研究する。
データベース正規化ベンチマーク (DNBENCH) を導入し、1NF から BCNF への LLM 駆動型データベース正規化を評価するサンプルを3,275 個作成する。
- 参考スコア（独自算出の注目度）: 5.32197677925365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Models (LLMs) are increasingly used to generate structured outputs, but their reliability remains unclear when those outputs must satisfy database-level constraints. We study this issue through database normalization, involving reasoning about functional dependencies, lossless join decompositions, and inter-table constraints. We introduce a Database Normalization Benchmark (DNBENCH), comprising 3,275 samples for evaluating LLM-driven database normalization from 1NF to BCNF. DNBENCH uses a three-axis protocol to measure semantic equivalence, structural accuracy, and logical validity. Across Single, Complex, and Real World levels, DNBENCH uncovers recurring failures in dependency inference, schema decomposition, and inter-table constraint reconstruction. We further propose Multi-Agent Reasoning for Schemas (MARS), which separates evidence extraction, violation diagnosis, and decomposition planning from schema generation and verification. MARS improves the DNB-SCORE by 82.0% over the single-prompt baseline. All artifacts will be released upon acceptance.
- Abstract（参考訳）: 大規模言語モデル (LLM) は構造化された出力を生成するためにますます使われているが、それらの出力がデータベースレベルの制約を満たす必要があるかどうかは不明だ。
本稿では, データベースの正規化, 関数依存の推論, 結合分解のロスレス化, テーブル間制約などを通じて, この問題について検討する。
データベース正規化ベンチマーク (DNBENCH) を導入し、1NF から BCNF への LLM 駆動型データベース正規化を評価するサンプルを3,275 個作成する。
DNBENCHは3軸プロトコルを使用して意味的等価性、構造的正確性、論理的妥当性を測定する。
DNBENCHは、単体、複雑、実世界のレベルを越えて、依存性の推論、スキーマの分解、テーブル間の制約再構築の繰り返しの失敗を明らかにする。
さらに,スキーマ生成と検証から証拠抽出,違反診断,分解計画を分離するマルチエージェント推論(MARS)を提案する。
MARSは単発ベースラインに対してDNB-SCOREを82.0%改善する。
すべてのアーティファクトは受け入れ次第解放されます。
関連論文リスト
- Towards Anomaly Detection on Relational Data [51.473064583839296]
属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。
RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-17T02:36:32Z) - Logic-Regularized Verifier Elicits Reasoning from LLMs [63.65875399266337]
論理規則で正規化された教師なしの検証器であるLOVERを提案する。
ローバーは、定理を二項潜在変数として扱い、内部の活性化を活用し、3つの論理的制約を課す。
ローバーは教師なしのベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2026-05-07T09:03:49Z) - ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering [55.55968342644846]
テーブルのシリアライゼーションは、複雑なテーブル質問応答において、LLM(Large Language Models)にとって重要なボトルネックであり続けている。
既存のシリアライゼーションメソッドは明示的な階層をキャプチャできず、スキーマの柔軟性が欠如している。
本稿では,AdaSTRとDuTRの2つの主要モジュールを含むASTRA(Adaptive Semantic Tree Reasoning Architecture)を提案する。
複雑なテーブルベンチマーク実験により,本手法がSOTA(State-of-the-art)性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-10T06:09:41Z) - DocSage: An Information Structuring Agent for Multi-Doc Multi-Entity Question Answering [11.177470565638666]
マルチドキュメント マルチエンティティ 回答 本質的には、複数のエンティティ間の暗黙のロジックを、散在するドキュメント間で追跡するようモデルに要求する。
既存のLarge Language Models (LLM) とRetrieval-Augmented Generation (RAG) フレームワークは、限界に悩まされている。
動的スキーマ発見、構造化情報抽出、エラー保証付きスキーマ対応リレーショナル推論を統合したエンドツーエンドのエージェントフレームワークであるDocSageを提案する。
論文 参考訳（メタデータ） (2026-03-12T11:00:09Z) - PluRel: Synthetic Data unlocks Scaling Laws for Relational Foundation Models [51.42043158297229]
マルチタブラルリレーショナルデータベースをスクラッチから合成するフレームワークであるPluelを紹介する。
ステップバイステップの方法では,(1)有向グラフのスキーマ,(2)二部グラフのテーブル間一次外部キー接続,(3)条件因果機構によるテーブル内の特徴分布をモデル化する。
論文 参考訳（メタデータ） (2026-02-03T21:35:18Z) - Routing End User Queries to Enterprise Databases [13.367384894681651]
既存のNL-to-データセットを拡張して,現実的なベンチマークを構築する。
我々の研究は、より大きなドメイン重複DBリポジトリとあいまいなクエリでルーティングがますます困難になることを示している。
論文 参考訳（メタデータ） (2026-01-27T17:30:19Z) - DBAIOps: A Reasoning LLM-Enhanced Database Operation and Maintenance System using Knowledge Graphs [25.16965474653075]
商用製品を含む既存のデータベースO&Mメソッドは、専門家の経験を効果的に活用できない。
本稿では,DBAIOpsを提案する。DBAIOpsは,推論と知識グラフを組み合わせてDBBAスタイルの診断を行うハイブリッドデータベースO&Mシステムである。
論文 参考訳（メタデータ） (2025-08-02T01:36:57Z) - Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - Large Language Models are Good Relational Learners [55.40941576497973]
本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。
従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
論文 参考訳（メタデータ） (2025-06-06T04:07:55Z) - Retrieval-Augmented Generation of Ontologies from Relational Databases [13.160850863758]
本稿では、RDBオントロジーの検索拡張反復生成であるRIGORについて述べる。
リレーショナルを人間の最小限の労力でリッチスキーマに変換するアプローチが紹介されている。
論文 参考訳（メタデータ） (2025-06-02T01:10:05Z) - Text2Schema: Filling the Gap in Designing Database Table Structures based on Natural Language [22.15408079332362]
データベースのバックグラウンドを持たない人は、通常、ファイルシステムやExcelデータ管理のようなツールに依存します。
データベースシステムは強力な管理能力を持っているが、ユーザーからの高度な専門知識を必要とする。
論文 参考訳（メタデータ） (2025-03-31T09:39:19Z) - ERBench: An Entity-Relationship based Automatically Verifiable Hallucination Benchmark for Large Language Models [46.07900122810749]
大規模言語モデル(LLM)は、様々なアプリケーションで前例のない性能を達成したが、評価は依然として難しい。
既存のリレーショナルデータベースを利用することは、ベンチマークを構築する上で有望なアプローチである、と我々は主張する。
我々は,これらの整合性制約を用いて任意のデータベースをLLMベンチマークに変換するERBenchを提案する。
論文 参考訳（メタデータ） (2024-03-08T12:42:36Z)
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。