論文の概要: LYNX: Analytical Program Synthesis via Grounding and Closed-Loop Refinement

• arxiv url: http://arxiv.org/abs/2610.14777v1
• Date: Sat, 10 Oct 2026 10:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.10396
• Title: LYNX: Analytical Program Synthesis via Grounding and Closed-Loop Refinement
• Title（参考訳）: LYNX:グラウンド化と閉ループ化による解析プログラム合成
• Abstract要約: LYNXは分析合成を計画、生成、検証、改善のためのクローズドループワークフローに編成する。 我々のフレームワークは、オープンソースの軽量モデルから最新の商用モデルまで、さまざまなバックボーンに対して高い一般化を示す。
• 参考スコア（独自算出の注目度）: 24.086073577892254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-powered data analytics aims to translate natural language instructions into executable analytical programs over underlying data. However, existing approaches, whether treating LLMs as intent-to-code translators or as standalone analytical engines, often fail to reliably align domain semantics with complex schemas and heterogeneous metadata, resulting in brittle execution and semantically inconsistent analytical outputs in real-world workloads. We present LYNX, a multi-agent framework that formulates LLM-driven analytics as a schema- and knowledge-constrained analysis problem rather than a single-pass generation task. LYNX organizes analytical synthesis into a closed-loop workflow of planning, generation, verification, and refinement through three role-specialized agents that collaboratively enforce schema grounding, semantic consistency, and execution correctness. To address domain ambiguity and schema misalignment, LYNX integrates Semantic-Structural Distillation and Stage-Aware Allocation (SSD-SAA). A delta-guided iterative revision continuously diagnoses and repairs semantic and execution-level failures, substantially improving synthesis robustness. We evaluate LYNX on two NL-to-SQL benchmarks, BIRD-SQL Mini-Dev and the more challenging Spider 2.0-Lite. Experimental results demonstrate strong performance and efficiency, achieving 10.66% to 59.54% execution accuracy across lightweight and commercial models, while reducing token consumption by 70.53% compared with the prior most efficient method. Our framework displays high generalization over different backbones, from open-source, lightweight models to the latest commercial models. Additional case studies on quantitative finance analytics and complex multi-relational SQL workloads further demonstrate the framework's robustness, scalability, and practical applicability in real-world analytical scenarios.
• Abstract（参考訳）: LLMを利用したデータ分析は、自然言語命令を基礎となるデータ上で実行可能な解析プログラムに変換することを目的としている。 しかし、既存のアプローチでは、LLMをインテント・トゥ・コード・トランスレータとして扱うか、あるいはスタンドアローンの分析エンジンとして扱うかは、複雑なスキーマや異種メタデータとドメインセマンティクスを確実に整合させることができず、結果として現実のワークロードでは不安定な実行と意味的に一貫性のない分析出力が発生する。 本稿では,LLM駆動分析を単一パス生成タスクではなく,スキーマおよび知識制約付き分析問題として定式化するマルチエージェントフレームワークLYNXを提案する。 LYNXは、分析合成を計画、生成、検証、改善のためのクローズドループワークフローに編成する。 ドメインの曖昧さとスキーマのミスアライメントに対処するため、LYNXはSemantic-Structural DistillationとStage-Aware Allocation(SSD-SAA)を統合している。 デルタ誘導反復リビジョンは、セマンティックおよび実行レベルの障害を継続的に診断し、修復し、合成の堅牢性を大幅に改善する。 NL-SQLベンチマークであるBIRD-SQL Mini-Devと、より挑戦的なSpider 2.0-LiteでLYNXを評価する。 実験の結果、軽量モデルと商用モデルで10.66%から59.54%の精度を達成し、トークン消費を従来の最も効率的な方法と比較して70.53%削減した。 我々のフレームワークは、オープンソースの軽量モデルから最新の商用モデルまで、さまざまなバックボーンに対して高い一般化を示す。 定量的財務分析と複雑なマルチリレーショナルSQLワークロードに関する追加ケーススタディでは、実世界の分析シナリオにおけるフレームワークの堅牢性、スケーラビリティ、実用性をさらに実証している。

関連論文リスト

• Beyond Accuracy: Characterizing Code Comprehension Capabilities in (Large) Language Models [4.841487377596519]
  本稿では,Large Language Modelsのコード理解性能が従来の人間中心のソフトウェアメトリクスと一致しているかを検討する。 コード理解をバイナリインプット・アウトプット整合性タスクとして再編成する診断フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-01-19T10:58:24Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
  大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。 LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-28T17:31:38Z)
• IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
  IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。 エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。 最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
  論文  参考訳（メタデータ） (2025-05-23T09:37:52Z)
• GateLens: A Reasoning-Enhanced LLM Agent for Automotive Software Release Analytics [9.549568621873386]
  GateLensは、自動車分野のデータ分析のためのLLMベースのシステムである。 遅くて不透明でメンテナンスにコストがかかる従来のマルチエージェントや計画ベースのシステムとは異なり、GateLensはスピード、透明性、信頼性を強調している。
  論文  参考訳（メタデータ） (2025-03-27T17:48:32Z)
• AdaptiveLog: An Adaptive Log Analysis Framework with the Collaboration of Large and Small Language Model [42.72663245137984]
  本稿では、AdaptiveLogとして知られる適応ログ分析フレームワークを紹介する。 優れた結果を確保しつつ、LLMに関連するコストを効果的に削減する。 実験では、AdaptiveLogがさまざまなタスクにまたがって最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-01-19T12:46:01Z)
• ARTEMIS-DA: An Advanced Reasoning and Transformation Engine for Multi-Step Insight Synthesis in Data Analytics [0.0]
  ARTEMIS-DAは、複雑で多段階のデータ分析タスクを解決するために、大規模言語モデルを拡張するために設計されたフレームワークである。 ARTEMIS-DAはPlanner、Coder、Grapherという3つのコアコンポーネントを統合している。 このフレームワークはWikiTableQuestionsやTabFactといったベンチマーク上でのSOTA(State-of-the-art)のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-18T18:44:08Z)
• Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
  本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。 Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。 実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
  論文  参考訳（メタデータ） (2024-10-31T16:34:03Z)

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。