論文の概要: Discovery-Driven Integration of Disjoint Tables via Text
- arxiv url: http://arxiv.org/abs/2609.26658v1
- Date: Tue, 22 Sep 2026 16:22:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.743239
- Title: Discovery-Driven Integration of Disjoint Tables via Text
- Title（参考訳）: テキストによる解離テーブルの発見駆動統合
- Abstract要約: 我々はディスカバリ駆動統合(Discovery-Driven Integration)について研究し、関連するソースとその欠落するリレーショナル構造を統合前に見つけ出さなければならない。
基本的な課題は、特定の文を通して異なるテーブルから個々の行を接続する、きめ細かいレベルでの関係を見つけることである。
我々はこのタスクをテキスト・メディア・ジョイント・パス・ディスカバリーとして形式化し、LOKIラテント・スペース・オプティマイズ(LOKI Latent-space Optimization for Knowledge Integration)と呼ばれる水平横断アーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 2.70201105073482
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Integrating heterogeneous datasets within data lakes is a critical challenge, particularly for semantically related tables that lack the explicit attributes needed to be joined. We study Discovery-Driven Integration, where the relevant sources and their missing relational structure must be discovered before integration. In this setting, unstructured text provides the evidence that connects otherwise disjoint tables. The fundamental challenge is to discover the relationships at a fine-grained level that connect individual rows from different tables through specific sentences. We formalize this task as Text-Mediated Join Path Discovery and propose a horizontal bidirectional cross-attention architecture called LOKI Latent-space Optimization for Knowledge Integration) that learns contextualized representations of table rows and sentences. Through a global table-text contrastive objective, fine-grained row-sentence associations emerge without explicit local supervision. Existing multi-modal discovery methods largely retrieve coarse-grained column-text associations, whereas integration systems assume supplied row-text links, schemas, or queries. LOKI instead transforms these implicit associations into explicit, interpretable join paths, organizes them into relation-consistent groups, and materializes them as typed integrated tables with sentence-level provenance. Comprehensive evaluations on real-world benchmarks demonstrate that LOKI consistently outperforms state-of-the-art multi-modal data discovery approaches, and materializes typed integrated tables with 0.982 macro typed-pair precision while being up to 40 times cheaper in LLM API cost than direct prompting.
- Abstract（参考訳）: データレイク内の異種データセットの統合は、特に結合するために必要な明示的な属性が欠如しているセマンティック関連テーブルにおいて、重要な課題である。
我々はディスカバリ駆動統合(Discovery-Driven Integration)について研究し、関連するソースとその欠落するリレーショナル構造を統合前に見つけ出さなければならない。
この設定では、構造化されていないテキストは、他の非結合テーブルを接続する証拠を提供する。
基本的な課題は、特定の文を通して異なるテーブルから個々の行を接続する、きめ細かいレベルでの関係を見つけることである。
我々は、このタスクをテキスト媒介結合経路発見として形式化し、テーブル行と文の文脈化された表現を学習するLOKIラテント空間最適化(Latent-space Optimization for Knowledge Integration)と呼ばれる双方向の双方向アーキテクチャを提案する。
グローバルな表文のコントラッシブな目的を通じて、きめ細かい行文の関連は、明示的な局所的な監督なしに現れる。
既存のマルチモーダル探索手法は、粗粒度のカラムテキスト関連を検索するのに対し、統合システムは供給された行テキストリンク、スキーマ、クエリを仮定する。
LOKIは、これらの暗黙の関連を明示的で解釈可能な結合パスに変換し、それらを関係一貫性のあるグループに整理し、文レベルの前兆を持つ型付き統合テーブルとして実現する。
実世界のベンチマークに関する総合的な評価では、LOKIは最先端のマルチモーダルデータ発見手法より一貫して優れており、直接のプロンプトよりも最大40倍のコストで、0.982のマクロ型付きペア精度で型付き統合テーブルを実現している。
関連論文リスト
- A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation [13.705515718089123]
Retrieval-Augmented Generation (RAG) は、大規模言語モデルを外部知識で拡張するためのパラダイムとして登場した。
既存のグラフベースの手法は、真の知識融合なしに原文に固定された表現を操作する。
本稿では,HyGRAGを提案する。HyGRAGは階層型グラフRAGフレームワークで,3つのコア課題に対処することで,ソース文書を超越する。
論文 参考訳（メタデータ） (2026-06-16T15:44:10Z) - FT-RAG: A Fine-grained Retrieval-Augmented Generation Framework for Complex Table Reasoning [1.5612868551214847]
FT-RAGは,表を意味単位に分解することで,知識関連性を生かした,きめ細かいフレームワークである。
FT-RAGは、すべての指標で最高パフォーマンスのベースラインを上回っている。
本手法は,複合モダリティ文書に対する複雑な推論のための新しい最先端性能を確立する。
論文 参考訳（メタデータ） (2026-05-02T15:32:26Z) - STAR: Semantic Table Representation with Header-Aware Clustering and Adaptive Weighted Fusion [1.483000637348699]
STAR(Semantic Table Representation)はセマンティッククラスタリングと重み付き融合によってセマンティックテーブル表現を改善する軽量フレームワークである。
全てのデータセットにおいて,STARはQGpTよりも連続的に高いリコールを実現していることを示す。
論文 参考訳（メタデータ） (2026-01-22T11:08:46Z) - TableDART: Dynamic Adaptive Multi-Modal Routing for Table Understanding [52.59372043981724]
TableDARTはトレーニング効率のよいフレームワークで、事前トレーニングされた単一モダリティモデルを再利用することでマルチモーダルビューを統合する。
さらに,テキストモデルと画像モデルからの出力を解析し,モーダル間知識統合のための新しいエージェントを提案する。
論文 参考訳（メタデータ） (2025-09-18T07:00:13Z) - 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) - Mixture-of-RAG: Integrating Text and Tables with Large Language Models [5.038576104344948]
不均一文書RAGは、テキストデータと階層データ間の共同検索と推論を必要とする。
階層構造と異種関係を保存する新しい3段階フレームワークであるMixRAGを提案する。
実験の結果、MixRAGは強いテキストのみ、テーブルのみ、ナイーブミキサーベースラインよりもトップ1検索を46%向上させることがわかった。
論文 参考訳（メタデータ） (2025-04-13T13:02:33Z) - QFMTS: Generating Query-Focused Summaries over Multi-Table Inputs [63.98556480088152]
表要約は、情報を簡潔で分かりやすいテキスト要約に凝縮するための重要な課題である。
本稿では,クエリ中心のマルチテーブル要約を導入することで,これらの制約に対処する新しい手法を提案する。
提案手法は,テーブルシリアライズモジュール,要約コントローラ,および大規模言語モデルからなり,ユーザの情報要求に合わせたクエリ依存のテーブル要約を生成する。
論文 参考訳（メタデータ） (2024-05-08T15:05:55Z) - SEMv2: Table Separation Line Detection Based on Instance Segmentation [96.36188168694781]
SEMv2(SEM: Split, Embed, Merge)と呼ばれるテーブル構造認識器を提案する。
本稿では,テーブル分離ラインのインスタンスレベルの識別問題に対処し,条件付き畳み込みに基づくテーブル分離ライン検出戦略を提案する。
SEMv2を包括的に評価するために、iFLYTABと呼ばれるテーブル構造認識のためのより困難なデータセットも提示する。
論文 参考訳（メタデータ） (2023-03-08T05:15:01Z) - GraPPa: Grammar-Augmented Pre-Training for Table Semantic Parsing [117.98107557103877]
テーブルセマンティック解析のための効果的な事前学習手法GraPPaを提案する。
我々は、同期文脈自由文法を用いて、高自由度テーブル上に合成質問ペアを構築する。
実世界のデータを表現できるモデルの能力を維持するため、マスキング言語モデリングも含んでいる。
論文 参考訳（メタデータ） (2020-09-29T08:17:58Z) - On Embeddings in Relational Databases [11.52782249184251]
低次元埋め込みを用いた関係データベースにおけるエンティティの分散表現学習の問題に対処する。
近年の埋め込み学習法は,すべてのテーブルの完全結合をリレーショナル化し,知識グラフとして表すことにより,データベースの完全非正規化を考慮に入れたナイーブな手法である。
本稿では,テーブル内の列の基本的なセマンティクスを利用して表現を学習する上で,関係結合と潜時関係を用いて,より優れた方法論を実証する。
論文 参考訳（メタデータ） (2020-05-13T17:21:27Z)
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。