論文の概要: DBRAG: Multi-Table Retrieval-Augmented Generation for Complex Database Queries

• arxiv url: http://arxiv.org/abs/2610.07622v1
• Date: Tue, 06 Oct 2026 02:12:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.754925
• Title: DBRAG: Multi-Table Retrieval-Augmented Generation for Complex Database Queries
• Title（参考訳）: DBRAG: 複雑なデータベースクエリのためのマルチテーブル検索拡張生成
• Abstract要約: 本稿では,マルチテーブル質問応答に適した検索拡張生成フレームワークDBRAGを紹介する。 DBRAGはまず、オフラインテーブルインデックスを使用して候補テーブルを検索し、クエリ関連行で要約を豊かにし、LLMを使用して候補をリランクする。 プログラム支援推論器は、必要なテーブルを選択し、その全内容に対して操作を実行し、初期プロンプトコンテキストをコンパクトに保つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in large language models have introduced new capabilities for reasoning over structured data, particularly through program-aided tools that can analyze tables. However, many existing methods address single-table scenarios or assume that the relevant tables are already provided. In practice, users often issue complex data exploration queries over entire databases, where relevant information may be distributed across multiple relations. In this work, we introduce DBRAG, a retrieval-augmented generation framework tailored for multi-table question answering. DBRAG first retrieves candidate tables using an offline table index, enriches their summaries with query-relevant rows, and uses an LLM to rerank the candidates. A program-aided reasoner then selects the required tables and executes operations over their full contents, keeping the initial prompt context compact. Experiments on the Spider, GeoQuery, and ATIS datasets used in this study demonstrate improvements in table retrieval and multi-table question answering.
• Abstract（参考訳）: 大規模言語モデルの最近の進歩は、特にテーブルを解析できるプログラム支援ツールを通じて、構造化されたデータを推論する新しい機能を導入している。 しかし、既存の多くのメソッドはシングルテーブルのシナリオに対処したり、関連するテーブルが既に提供されていると仮定します。 実際には、ユーザーはデータベース全体に複雑なデータ探索クエリを発行することが多い。 本稿では,マルチテーブル質問応答に適した検索拡張生成フレームワークDBRAGを紹介する。 DBRAGはまず、オフラインテーブルインデックスを使用して候補テーブルを検索し、クエリ関連行で要約を豊かにし、LLMを使用して候補をリランクする。 プログラム支援推論器は、必要なテーブルを選択し、その全内容に対して操作を実行し、初期プロンプトコンテキストをコンパクトに保つ。 本研究で使用したSpider、GeoQuery、ATISデータセットの実験は、テーブル検索とマルチテーブル質問応答の改善を実証している。

関連論文リスト

• Improving Table Retrieval with Question Generation from Partial Tables [2.2169618382995764]
  本稿では,LLMを用いてテーブルの小さな部分に基づいて合成質問を生成する簡易かつ効果的な方法であるQGpTを提案する。 生成された質問は、生成に使用される部分テーブルセグメントに結合され、ユーザクエリとのセマンティックアライメントが強化される。
  論文  参考訳（メタデータ） (2025-08-08T09:35:56Z)
• 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)
• Reasoning-Aware Query-Focused Summarization over Multi-Table Data [1.325953054381901]
  大規模言語モデル(LLM)を利用したエンドツーエンド生成フレームワークであるQueryTableSummarizer++を提案する。 本手法では,中間シリアライズステップの必要性を排除し,クエリ関連要約を直接生成する。 ベンチマークデータセットの実験では、QueryTableSummarizer++がBLEU、ROUGE、F1スコアで最先端のベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-12-12T06:04:31Z)
• MultiTabQA: Generating Tabular Answers for Multi-Table Question Answering [61.48881995121938]
  実世界のクエリは本質的に複雑で、リレーショナルデータベースやWebページ内の複数のテーブルにまたがることが多い。 我々のモデルであるMultiTabQAは、複数のテーブル上の質問に答えるだけでなく、表形式の回答を生成するために一般化する。
  論文  参考訳（メタデータ） (2023-05-22T08:25:15Z)

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。