論文の概要: Learned Enterprise Data Comprehension: Compression and Routing for Data Agents
- arxiv url: http://arxiv.org/abs/2609.25286v1
- Date: Mon, 21 Sep 2026 18:27:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.08257
- Title: Learned Enterprise Data Comprehension: Compression and Routing for Data Agents
- Title（参考訳）: 学習したエンタープライズデータ理解:データエージェントの圧縮とルーティング
- Abstract要約: エージェントと学習システムのギャップを埋めるために、潜時同値学習を導入する。
フレームワークは、永続的なタスク関連IDとデータセット関連実現を分離する。
学習されたクエリプロトタイプシステムは、再帰的な明示的な要求を表現し、学習された互換性関数を通してそれらを同じ永続的なアイデンティティ構造にマッピングする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structured-data agents in enterprise settings must reason over complex data environments whose relevant evidence is distributed across schemas, relationships, policies, and recurring business roles. Modern agentic systems often address this burden through reusable markdown-style memory or skill files that preserve previously discovered information for later queries, reducing the need to rediscover the same structure repeatedly. This is useful, but it obscures a natural division of labor: agents are well suited to semantic reasoning, while learned systems are well suited to predicting and organizing recurring structure. We introduce latent equivalence learning to bridge this gap. The framework separates persistent task-relevant identities from their dataset-relative realizations. In our realization, supporting and opposing evidence shape support-realized Gaussian prototypes that learn how those identities are expressed in a particular data environment, while soft-membership profiles retain distinctions lost under a hard assignment. A separate learned query-prototype system represents recurring evidential requirements and maps them through a learned compatibility function into the same persistent identity structure. This identity-factorized, query-conditioned routing materializes the relevant dataset-specific evidence for downstream reasoning, allowing the agent to operate over an already organized evidential state rather than reconstructing cross-schema structure at every query. On the Data Agent Benchmark, spanning 54 queries across 12 heterogeneous datasets, our full implementation achieves 94.67% dataset-macro stratified Pass@1 over five complete trials and 258/270 successful raw query attempts, compared with 55.51% for the benchmark's Claude Opus 4.6 reference agent, ranking first among 40 leaderboard entries at submission.
- Abstract（参考訳）: エンタープライズ環境での構造化データエージェントは、関連する証拠がスキーマ、関係性、ポリシー、反復的なビジネス役割に分散している複雑なデータ環境を推論しなければなりません。
現代のエージェントシステムは、しばしば再利用可能なマークダウンスタイルのメモリや、後続のクエリで以前発見された情報を保存しているスキルファイルを通じて、この負担に対処し、同じ構造を再発見する必要がなくなる。
エージェントは意味論的推論に適しており、学習システムは繰り返し構造を予測・整理するのに適している。
このギャップを埋めるために、潜時同値学習を導入します。
このフレームワークは、永続的なタスク関連IDとデータセット関連実現を分離する。
我々の実現において、支持と反対の証拠は、特定のデータ環境においてそれらのアイデンティティがどのように表現されるかを学ぶための支援を具現化したガウスのプロトタイプを形作っている。
別々に学習されたクエリ-プロトタイプシステムは、繰り返し発生する明示的な要求を表し、学習された互換性関数を通してそれらを同じ永続的なアイデンティティ構造にマッピングする。
このアイデンティティを規定したクエリ条件付きルーティングは、ダウンストリーム推論に関する関連するデータセット固有のエビデンスを実現し、エージェントがクエリ毎にクロススキーマ構造を再構築するのではなく、すでに組織化された明示的な状態を操作できるようにする。
Data Agent Benchmarkでは、12の異種データセットにわたる54のクエリにまたがって、完全な実装が5回の完全なトライアルで94.67%のデータセット-マクロ層化Pass@1、258/270の生クエリ試験が成功した。
関連論文リスト
- VikingRAG: Accurate and Token-efficient Retrieval-augmented Generation over Structured Documents [16.5373268346586]
最先端の検索拡張生成(RAG)手法は、十分な証拠を得るために文書構造を利用するが、しばしば相当なトークンコストを発生させる。
本稿では,ディレクトリを意識したセマンティックデータ管理システムである sf VikingRAG について述べる。
検索トレースの再利用と適応エスカレーションにより、トークンコストは5.1%--32.5%に低下し、競争精度と実用的な文書保存性能を維持した。
論文 参考訳（メタデータ） (2026-09-10T11:25:59Z) - VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。
100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。
強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
論文 参考訳（メタデータ） (2026-08-18T15:23:06Z) - DataSpace: Benchmarking Data Agents for Verifiable Analytics over Heterogeneous Workspaces [25.28248447900504]
データエージェントは、組織ワークスペース上の自然言語分析を可能にする。
既存のベンチマークは、構造化クエリ、検索、あるいはオープンエンド分析を主に分離している。
データエージェントが検証可能な表形式の結果を生成するベンチマークであるDataSpaceを紹介する。
論文 参考訳（メタデータ） (2026-08-04T10:48:11Z) - Executable Schema Contracts: From Automatic Ingestion to Multi-Source Retrieval [19.3757623473603]
実世界のデータは、暗黙のセマンティクスを持つテーブル、ドキュメント、半構造化ファイルにまたがる。
生のマルチソースデータから実行可能なスキーマを自動的に検出するシステムを提案する。
論文 参考訳（メタデータ） (2026-06-03T20:28:36Z) - Do Agents Need Semantic Metadata? A Comparative Study in Agentic Data Retrieval [3.6202634353482352]
構造化されていないWebをナビゲートできるLarge Language Models(LLM)の台頭は、根本的な疑問を提起する。
オープンウェブ文書を検索するベースラインエージェントと、スキーマ.orgを用いて9000万のデータセットのコーパスを利用するセマンティックエージェントの2つの異なる環境におけるエージェントデータ検索の比較分析を行う。
セマンティック・エージェントは動作可能なデータを抽出し、メタデータ豊富なレジストリの44.9%の精度と、返却された結果の中で機械可読なダウンロードを持つページの46.6%の精度を達成する。
論文 参考訳（メタデータ） (2026-05-27T17:46:43Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - Agentic DAG-Orchestrated Planner Framework for Multi-Modal, Multi-Hop Question Answering in Hybrid Data Lakes [5.276278723196607]
Agentic DAG-Orchestrated Transformer (A.DOT) Plannerはマルチモーダル・マルチホップ質問応答のためのフレームワークである。
A.DOTは、ユーザNLクエリを構造化および非構造化の両方にまたがる有向非巡回グラフ(DAG)実行計画にコンパイルする。
System Decomposes query into parallelizable sub-queries, includess schema-aware reasoning, and applied both structure and semantic validation。
論文 参考訳（メタデータ） (2026-03-15T05:34:16Z) - OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。
ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
論文 参考訳（メタデータ） (2025-12-16T03:33:24Z) - Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。
RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。
製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
論文 参考訳（メタデータ） (2025-06-29T08:34:59Z) - Unstructured Evidence Attribution for Long Context Query Focused Summarization [53.08341620504465]
固定粒度の場合よりも、より関連性が高く一貫した証拠を得るために、非構造的(すなわち任意の長さのスパン)な証拠を抽出することを提案する。
既存のシステムが、非構造的証拠をコピーし、適切に引用するのにどのように苦労しているかを示す。
論文 参考訳（メタデータ） (2025-02-20T09:57:42Z) - Generative Retrieval Meets Multi-Graded Relevance [104.75244721442756]
GRADed Generative Retrieval (GR$2$)というフレームワークを紹介します。
GR$2$は2つの重要なコンポーネントに焦点を当てている。
マルチグレードとバイナリの関連性を持つデータセットの実験は,GR$2$の有効性を示した。
論文 参考訳（メタデータ） (2024-09-27T02:55:53Z)
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。