論文の概要: Fan Out or Relay? Ownership-Aware Routing for LLM Agents Querying Siloed Tables

• arxiv url: http://arxiv.org/abs/2610.18157v1
• Date: Tue, 13 Oct 2026 11:01:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.597059
• Title: Fan Out or Relay? Ownership-Aware Routing for LLM Agents Querying Siloed Tables
• Title（参考訳）: ファンアウトかリレーか : サイロテーブルを検索するLLMエージェントのオーナシップ・アウェア・ルーティング
• Abstract要約: データの所有権がどちらが正しいかを判断するからです。 所有権は公開であるため、オーナシップ・アウェア・ルーティング(OAR)を提案する。 OARは、PeopleJoin上のすべての固定プロトコルを、ホールドアウトされた組織で最大9.3ポイント上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inside organizations, a question's data often sit with several owners, who query their own tables but never hand them over. An LLM coordinator can fan out, sending the question to every owner at once, or relay, querying owners in turn and reusing earlier rows. We show that neither is safe in advance, because data ownership decides which one is right. Across thirteen settings on PeopleJoin and BIRD with three model families, fan-out is more accurate in twelve on questions one owner can answer, yet answers at most 4.3% of those joining two owners' tables. The flip follows ownership, not query shape: on BIRD two-table joins, fan-out answers 32-44% when one owner holds both and 1-4% otherwise. Relay wins by conditioning on returned rows, and hiding them from an otherwise identical planner cuts two-owner accuracy from 23.2% to 5.1%. Since ownership is public, we propose Ownership-Aware Routing (OAR), which drafts a schema-only SQL query, counts the owners whose tables it joins, and routes the question before any private row is read. In ten settings OAR is never significantly less accurate than the best fixed protocol, and beats every fixed protocol on PeopleJoin, by up to 9.3 points on held-out organizations.
• Abstract（参考訳）: 組織内では、質問のデータは複数のオーナーと共有されることが多い。 LLMコーディネータは、一度にすべてのオーナーに質問を送信したり、リレーしたり、順番にオーナーに問い合わせたり、以前の行を再利用したりすることができる。 データの所有権がどちらが正しいかを判断するからです。 PeopleJoin と BIRD の 3 つのモデルファミリの13 つの設定に対して、ファンアウトは 1 人のオーナーが答えられる質問に対して 12 より正確である。 BIRDの2テーブル結合では、1人の所有者が両方を保持し、1-4%がそうでなければ、ファンアウトの回答は32-44%である。 リレーは返された行を条件付けして勝利し、それ以外は同一のプランナーから隠すことで2人の所有者の精度を23.2%から5.1%に下げる。 オーナシップが公開されているので、スキーマのみのSQLクエリをドラフトし、そのテーブルが参加するオーナをカウントし、プライベート行が読み込まれる前に質問をルーティングするオーナシップ・アウェア・ルーティング(OAR)を提案する。 10つの設定では、OARは最高の固定プロトコルよりもはるかに正確で、PeopleJoin上のすべての固定プロトコルを最大9.3ポイント上回っている。

関連論文リスト

• Understanding Errors in LLM-Based Question Answering over Imperfect Tables [9.914974837876635]
  提案手法は, テーブルにエラーが現れる場所と, 正確な質問応答に十分な位置を提供することに依存するかを検討する。 RADAR-Tのヒューマンレビューインスタンスを用いて、3つの大きな言語モデルに対して制御された研究を行う。 コード実行では、修復されたテーブルの精度がエラーマークされたテーブルの精度を39.0-59.1ポイント上回る。
  論文  参考訳（メタデータ） (2026-10-03T18:03:41Z)
• BudgetSchemaBench: A Budget-Swept Diagnostic for Schema Context in Text-to-SQL [1.6558929815405155]
  構造化されたソース上のデータエージェントは、データベーススキーマをモデルのコンテキストウィンドウに適合させなければなりません。 大規模なカタログは多くのデータベースと数千の列にまたがる可能性があるため、コスト制約はテーブルのカバレッジとシリアライズの詳細を選択する必要がある。 本稿では,BudgetBenchについて紹介する。
  論文  参考訳（メタデータ） (2026-09-08T03:38:47Z)
• Bounded Semantic Planning and Deterministic Compilation for Reliable Enterprise Text-to-SQL [0.0]
  本稿では,ACME 保険ベンチマークを用いて,直接 DDL-to-sided 生成に対するセマンティックパスコンパイルシステムの評価を行った。 SPCは38の質問に対して、少なくとも1回は正解し、1回は拒絶し、114回のランで不当に実行された。
  論文  参考訳（メタデータ） (2026-08-17T14:54:51Z)
• 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)
• REaR: Retrieve, Expand and Refine for Effective Multitable Retrieval [46.38349148493421]
  REAR(Retrieve, Expand and Refine)は、効率的な高忠実なマルチテーブル検索のための3段階のフレームワークである。 Rearはクエリ整列テーブルを検索し、構造的に結合可能なテーブルで拡張し、ノイズや弱い関係のある候補を抽出することでそれらを洗練する。 Rearはレトリバー非依存であり、複雑なテーブルQAデータセット上の高密度/スパースレトリバーを一貫して改善する。
  論文  参考訳（メタデータ） (2025-11-02T05:01:04Z)
• Assessing Judging Bias in Large Reasoning Models: An Empirical Study [99.86300466350013]
  DeepSeek-R1やOpenAI-o1のような大きな推論モデル(LRM)は、顕著な推論能力を示している。 本稿では、主観的嗜好アライメントデータセットと客観的事実ベースデータセットの両方において、LLMとLRMの偏りを判定するベンチマークを示す。
  論文  参考訳（メタデータ） (2025-04-14T07:14:27Z)
• 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)

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。