Fugu-MT 論文翻訳(概要): VeriPIE: Checkable Query Plans and Evidence-Guided Selection for Text-to-SQL

論文の概要: VeriPIE: Checkable Query Plans and Evidence-Guided Selection for Text-to-SQL

arxiv url: http://arxiv.org/abs/2610.17493v1
Date: Mon, 12 Oct 2026 23:31:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:15.46758
Title: VeriPIE: Checkable Query Plans and Evidence-Guided Selection for Text-to-SQL
Title（参考訳）: VeriPIE: テキストからSQLへのクエリプランとエビデンスガイドによる選択
Abstract要約: We present VeriPIE, a neurosymbolic framework using language-model generation with symbolic checks。 PIEは、DeepEyeの65.67%(679/1,034)と比較して72.05%の精度(745/1,034)を達成した。明確な計画チェック、診断の修復、より安全な財務分析をサポートする具体的な意見の不一致などである。
参考スコア（独自算出の注目度）: 4.580663703037534
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Financial Artificial Intelligence (AI) governance and model risk management (MRM) emphasize independent validation, transparency, and effective challenge of AI-generated computations. Text-to-SQL translates natural-language questions into Structured Query Language (SQL), but queries that agree on one database can still express different computations. We present VeriPIE, a neurosymbolic framework combining language-model generation with symbolic checks. It ensembles direct SQL generation with QuerySketch, a structured plan language checked by a backend implemented in Lean, a theorem prover and programming language. Plan diagnostics guide repair before SQL generation, while execution agreement and bounded searches for distinguishing databases inform candidate selection. These checks expose malformed plans and hidden disagreement without proving agreement with the user's intent. In single-run experiments on the complete Spider development set, VeriPIE achieves 72.05% test-suite accuracy (745/1,034), compared with DeepEye's 65.67% (679/1,034). Its two-query shortlist covers 78.43% (811 questions), compared with 74.66% for DIN-SQL (772) and 69.05% for DeepEye (714). On BIRD, VeriPIE reaches 68.90% execution accuracy and 73.73% two-query coverage. The central benefit is reviewable evidence about the generated computation: explicit plan checks, repair diagnostics, and concrete disagreements that support safer financial analysis.
Abstract（参考訳）: 金融人工知能(AI)ガバナンスとモデルリスク管理(MRM)は、AI生成計算の独立した検証、透明性、効果的な課題を強調する。 Text-to-SQLは自然言語の質問を構造化クエリ言語(SQL)に変換するが、一つのデータベースに一致するクエリは依然として異なる計算を表現できる。 We present VeriPIE, a neurosymbolic framework using language-model generation with symbolic checks。 QuerySketchは、Leanで実装されたバックエンドによってチェックされる構造化されたプラン言語で、定理証明とプログラミング言語である。計画診断はSQL生成前の修復をガイドし、実行合意とデータベースの識別のための境界付き検索は候補選択に通知する。これらのチェックは、ユーザの意図に同意せずに、不正な計画と隠された不一致を露呈する。完全なスパイダー開発セットでの単走実験では、DeepEyeの65.67% (679/1,034)と比較して、VeriPIEは72.05%の精度 (745/1,034) を達成した。 DIN-SQL (772) は74.66%、DeepEye (714) は69.05%である。 BIRDでは、VeriPIEは68.90%の実行精度と73.73%の2クエリカバレッジを達成した。中心的な利点は、生成された計算に関するレビュー可能な証拠である。明示的な計画チェック、修復診断、より安全な財務分析をサポートする具体的な不一致である。

関連論文リスト

Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows [54.49251107006261]
我々はSpider 2.0-AIFuncを紹介した。これは、Snowflakeプラットフォーム上の6種類のAI機能をカバーする125の現実世界データベースにわたる465の検証済みインスタンスのベンチマークである。最強のプロプライエタリモデルは67-70%の精度で実行でき、最高のオープンソースモデルは58.1%に達する。
論文参考訳（メタデータ） (2026-07-07T12:54:08Z)
ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL [51.98164069124653]
ProSPyは、エンタープライズスケールのテキスト-非依存分析のためのプロファイリング駆動フレームワークである。 ProSPyは推論プロセスを4段階に構成する。まず、自動プロファイリングにより、きめ細かいデータ証拠を抽出する。大規模なスキーマをタスク関連コンテキストに抽出する。
論文参考訳（メタデータ） (2026-06-04T08:13:05Z)
Patient-Similarity Cohort Reasoning in Clinical Text-to-SQL [63.578576078216976]
CLINはMIMICIV v3.1の633のエキスパートアノテートタスクのベンチマークである。我々はChain-of-Thoughtセルフリファインメントの下で22のプロプライエタリモデルとオープンソースモデルを評価した。最近の進歩にもかかわらず、パフォーマンスは臨床的な信頼性には程遠い。
論文参考訳（メタデータ） (2026-01-14T21:12:06Z)
From Questions to Queries: An AI-powered Multi-Agent Framework for Spatial Text-to-SQL [0.4499833362998488]
単一エージェントアプローチは、空間的クエリのセマンティックおよび構文的複雑さにしばしば苦労する。本稿では,自然言語質問を空間的クエリに正確に翻訳するためのマルチエージェントフレームワークを提案する。我々は,非空間的KaggleDBQAベンチマークと包括的SpatialQAベンチマークを用いて,本システムの評価を行った。
論文参考訳（メタデータ） (2025-10-23T22:58:17Z)
GBV-SQL: Guided Generation and SQL2Text Back-Translation Validation for Multi-Agent Text2SQL [12.455525963127497]
GBV-は、SQL2Textのバックトランスレーションバリデーションによるガイドドジェネレーションを導入した、新しいマルチエージェントフレームワークである。このメカニズムは特殊エージェントを使用して生成したsqlを自然言語に翻訳し、元の質問と論理的整合性を検証する。我々は,「金のエラー」の形式的型付けを導入し,それらのモデル性能の曖昧さを実証する。
論文参考訳（メタデータ） (2025-09-16T03:21:12Z)
RAISE: Reasoning Agent for Interactive SQL Exploration [47.77323087050061]
本稿では,スキーマリンク,クエリ生成,反復的改善を1つのエンドツーエンドコンポーネントに統一する新しいフレームワークを提案する。本手法は、不慣れなデータベースを扱う際に、人間がどう答えるかをエミュレートする。
論文参考訳（メタデータ） (2025-06-02T03:07:08Z)
RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
論文参考訳（メタデータ） (2024-10-31T16:22:26Z)
SelECT-SQL: Self-correcting ensemble Chain-of-Thought for Text-to-SQL [3.422309388045878]
SelECT-は、チェーン・オブ・シンク、自己補正、アンサンブルの手法をアルゴリズムで組み合わせた、新しいインコンテキスト学習ソリューションである。具体的には、GPTをベースLLMとして使用する場合、SelECT-Turboはスパイダーリーダーボードの開発セット上で84.2%の実行精度を達成する。
論文参考訳（メタデータ） (2024-09-16T05:40:18Z)
Photon: A Robust Cross-Domain Text-to-SQL System [189.1405317853752]
私たちは、マッピングを即座に決定できない自然言語入力にフラグを付けることができる、堅牢でモジュール化されたクロスドメインなNLIDBPhotonを紹介します。提案手法は,翻訳不能なユーザ入力に対して,テキストからネイティブシステムへのロバストさを効果的に向上させる。
論文参考訳（メタデータ） (2020-07-30T07:44:48Z)

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。