論文の概要: TabJoinBench: A Benchmark for Joinable Table Discovery

• arxiv url: http://arxiv.org/abs/2610.00817v1
• Date: Wed, 30 Sep 2026 23:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.801779
• Title: TabJoinBench: A Benchmark for Joinable Table Discovery
• Title（参考訳）: TabJoinBench: 結合可能なテーブルディスカバリのためのベンチマーク
• Abstract要約: Join Discoveryは、補完的な情報でクエリテーブルを拡張可能な、大規模なデータリポジトリからテーブルを特定することを目的としている。 セマンティック、リレーショナル、ハイブリッドデータレイクシナリオにわたる結合発見手法を評価するベンチマークであるTabJoinBenchを紹介する。
• 参考スコア（独自算出の注目度）: 10.53963195354203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Join discovery aims to identify tables from large data repositories that can augment a query table with complementary information, enabling downstream tasks such as data exploration, feature engineering, and business intelligence. Although numerous join discovery methods have been proposed, existing studies rely on method-specific benchmark construction, making reproducible and fair comparison difficult. We present TabJoinBench, a benchmark for evaluating join discovery methods across semantic, relational, and hybrid data lake scenarios. TabJoinBench constructs query-candidate pairs using source-specific validation strategies, systematically introduces structural, representation, and semantic changes through composable perturbations while preserving reliable ground truth. We evaluate representative join discovery methods spanning set-based, feature-based, and learned approaches, together with general-purpose language-model embedding baselines, and publicly release the processed datasets, ground-truth annotations, and generation pipeline to facilitate reproducible evaluation and future research.
• Abstract（参考訳）: Join Discoveryの目的は、データ探索、機能エンジニアリング、ビジネスインテリジェンスといった下流タスクを可能にするために、補完的な情報でクエリテーブルを拡張できる大規模なデータリポジトリからテーブルを識別することである。 多くの結合探索法が提案されているが、既存の研究はメソッド固有のベンチマーク構築に依存しており、再現性と公正な比較が困難である。 セマンティック、リレーショナル、ハイブリッドデータレイクのシナリオにわたる結合発見手法を評価するベンチマークであるTabJoinBenchを紹介する。 TabJoinBenchは、ソース固有のバリデーション戦略を使用してクエリ候補ペアを構築し、信頼できる土台真実を維持しながら、構成可能な摂動を通じて構造、表現、意味の変化を体系的に導入する。 汎用言語モデル埋め込みベースラインとともに,集合ベース,特徴ベース,学習アプローチにまたがる代表結合探索手法を評価し,再現可能な評価と今後の研究を容易にするために,処理されたデータセット,接地トラスアノテーション,生成パイプラインを公開リリースする。

関連論文リスト

• Discovery-Driven Integration of Disjoint Tables via Text [2.70201105073482]
  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。
  論文  参考訳（メタデータ） (2026-09-22T16:22:54Z)
• Diversed Model Discovery via Structured Table Discovery [2.1861855606506526]
  本稿では,ModelTablesベンチマーク上に構築されたテーブル駆動モデル検索フレームワークであるStructuredSemanticSearchを紹介する。 クエリが与えられた場合、StructuredSemanticSearchは、タスクアライメントのためのセマンティックベースラインと、クエリ関連のモデルカードテーブルを検出する構造対応パイプラインを組み合わせる。 評価のために、モデルカードからコンパクトなエビデンス項目を抽出し、クエリを条件または意図固有のナゲットにマッチさせ、得られたモデルカード候補集合に対するエビデンスカバレッジと多様性を測定するナゲットベースの監査可能なプロトコルを導入する。
  論文  参考訳（メタデータ） (2026-05-21T17:28:01Z)
• Scalable and Explainable Enterprise Knowledge Discovery Using Graph-Centric Hybrid Retrieval [0.0]
  現代の企業は、Jira、Gitリポジトリ、Confluence、wikiなどの異種システムに分散した膨大な知識を管理している。 本稿では,知識ベース言語拡張モデル(KBLam),DeepGraph表現,埋め込み型セマンティック検索を統合したモジュール型ハイブリッド検索フレームワークを提案する。 このフレームワークは、コード、プルリクエスト、コミット履歴を含む解析済みのリポジトリから統一された知識グラフを構築する。 大規模なGitリポジトリの実験では、統一推論層は、スタンドアロンのGPTベースの検索パイプラインと比較して、回答の妥当性を最大80%改善している。
  論文  参考訳（メタデータ） (2025-10-13T02:56:36Z)
• Bridging Queries and Tables through Entities in Table Retrieval [70.13748256886288]
  エンティティは、テキスト検索の文脈でよく研究されているが、テーブル検索におけるその応用についての研究は、顕著に欠如している。 本稿では、実体表現に基づく相互作用パラダイムを設計し、エンティティ強化トレーニングフレームワークを提案する。 提案するフレームワークはプラグアンドプレイでフレキシブルで,既存のテーブルレトリバーのトレーニングプロセスに統合しやすくする。
  論文  参考訳（メタデータ） (2025-04-09T03:16:33Z)
• DOGR: Leveraging Document-Oriented Contrastive Learning in Generative Retrieval [10.770281363775148]
  生成検索における文書指向コントラスト学習(DOGR)の活用という,新規で汎用的な生成検索フレームワークを提案する。 クエリとドキュメントの関係を,直接的なインタラクションを通じて包括的にキャプチャする,2段階の学習戦略を採用している。 意味表現の学習を促進するために、否定的サンプリング手法とそれに対応するコントラスト学習目的を実装した。
  論文  参考訳（メタデータ） (2025-02-11T03:25:42Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• 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)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)
• 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。