論文の概要: JoinGR: Learning to Traverse Join Graphs for Table Retrieval

• arxiv url: http://arxiv.org/abs/2610.01064v1
• Date: Thu, 01 Oct 2026 05:02:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.909542
• Title: JoinGR: Learning to Traverse Join Graphs for Table Retrieval
• Title（参考訳）: JoinGR: テーブル検索のためのグラフのトラバースを学ぶ
• Abstract要約: JOINGRは、データベース結合グラフを検索空間として扱うジョイン対応テーブル検索手法である。 複雑なテーブルレトリバーは、スキーマ要素を独立してランク付けするが、これは重要な証拠源を無視している。
• 参考スコア（独自算出の注目度）: 28.134141761208767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieving the right tables is a prerequisite for Text-to-SQL over realistic databases. Dense table retrievers rank schema elements independently, but this ignores a key source of evidence: some required tables are not mentioned in the question and become identifiable only through their join relationships to already relevant tables. We introduce JOINGR, a join-aware table retrieval method that treats the database join graph as the retrieval space. Columns are represented as graph nodes, while intra-table and foreign-key relationships are represented as typed edges. Given a question, JOINGR selects semantically similar anchor tables, traverses join edges with a query-conditioned scorer, and aggregates the resulting edge deposits into table scores. The scorer is a lightweight MLP on top of frozen query, node, and edge embeddings, trained with a pairwise margin loss over gold tables. On BIRD and Spider datasets, JOINGR is competitive with the strongest retrieval baselines. On BEAVER, a challenging enterprise benchmark with multi-hop table requirements, JOINGR substantially improves recall over dense retrieval and re-ranking baselines. Cross-domain experiments show that the learned scorer transfers across benchmarks, indicating that the method captures reusable joingraph traversal behavior.
• Abstract（参考訳）: 正しいテーブルを取得することは、現実的なデータベースよりもText-to-SQLの前提条件である。 複雑なテーブルレトリバーは、スキーマ要素を独立してランク付けするが、これは重要な証拠源を無視している。 本稿では,データベース結合グラフを検索空間として扱う結合対応テーブル検索手法JOINGRを紹介する。 カラムはグラフノードとして表現され、テーブル内および外部キーの関係は型付きエッジとして表現される。 質問に対してJOINGRはセマンティックに類似したアンカーテーブルを選択し、クエリ条件付きスコアラーでエッジを結合し、結果のエッジの預金をテーブルスコアに集約する。 スコアラは、凍結したクエリ、ノード、エッジの埋め込みの上に軽量のMLPを持ち、金のテーブルよりも2対のマージン損失でトレーニングされている。 BIRDとSpiderのデータセットでは、JOINGRは最強の検索ベースラインと競合する。 マルチホップテーブル要求の厳しいエンタープライズベンチマークであるBEAVERでは、JOINGRは、高密度検索と再ランクベースラインに対するリコールを大幅に改善する。 クロスドメイン実験は、学習したスコアラーがベンチマーク間で転送されることを示し、この手法が再利用可能なジョイングラフのトラバース挙動を捉えていることを示している。

関連論文リスト

• CORE-T: COherent REtrieval of Tables for Text-to-SQL [91.76918495375384]
  CORE-Tはスケーラブルでトレーニング不要なフレームワークで、テーブルに目的のメタデータを付加し、軽量なテーブル互換キャッシュをプリコンプリートする。 バード、スパイダー、MMQAを越えて、CORE-Tはテーブル選択F1を最大22.7ポイント改善し、最大42%のテーブルを検索する。
  論文  参考訳（メタデータ） (2026-01-19T14:51:23Z)
• RAG over Tables: Hierarchical Memory Index, Multi-Stage Retrieval, and Benchmarking [63.253294691180635]
  現実世界のシナリオでは、純粋なテキスト以外では、かなりの量の知識がテーブルに格納される。 まず、階層型メモリインデックス、多段階検索、グラフ認識プロンプトからなるテーブルコーパス対応RAGフレームワークT-RAGを提案する。
  論文  参考訳（メタデータ） (2025-04-02T04:24:41Z)
• Is Table Retrieval a Solved Problem? Exploring Join-Aware Multi-Table Retrieval [52.592071689901196]
  本稿では,テーブル検索において,任意のクエリやデータベースに対して有用な結合関係を明らかにする手法を提案する。 提案手法は,F1スコアの最大9.3%,エンドツーエンドQAの最大5.4%の精度で,テーブル検索の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-04-15T15:55:01Z)
• Retrieving Complex Tables with Multi-Granular Graph Representation Learning [20.72341939868327]
  自然言語テーブル検索の課題は,自然言語クエリに基づいて意味的に関連するテーブルを検索することである。 既存の学習システムは、テーブルがデータフレームとして構成されているという仮定に基づいて、テーブルをプレーンテキストとして扱う。 多粒グラフ表現学習を用いた一般化可能なNLTRフレームワークであるグラフベーステーブル検索(GTR)を提案する。
  論文  参考訳（メタデータ） (2021-05-04T20:19:03Z)

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。