論文の概要: NL2SQL with Iterative Self-Refinement
- arxiv url: http://arxiv.org/abs/2610.22968v1
- Date: Fri, 16 Oct 2026 05:39:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.775553
- Title: NL2SQL with Iterative Self-Refinement
- Title（参考訳）: 反復自己精製によるNL2SQL
- Abstract要約: 大規模言語モデル(LLM)は、技術的でないユーザには信頼できない。
これらの制限は特に保険などの分野において重要である。
ドメインの関連性検出,スキーマに基づく知識構築,構文レベルの自己修復を併用したマルチエージェント,ペルソナ駆動NL2フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bridging the gap between human intent and machine logic remains a critical challenge in data access for non-technical users, yet Large Language Models (LLMs) remain unreliable: they hallucinate schema elements, generate syntactically invalid queries, or fail to capture user intent. These limitations are especially critical in domains such as insurance, where KPIs, regulatory constraints, and legacy relational systems demand high precision. We introduce a multi-agent, persona-driven NL2SQL framework that combines (1) domain relevance detection, (2) schema-grounded knowledge construction, (3) KPI-aware SQL synthesis, (4) syntax-level self-repair using sqlite execution feedback, and (5) semantic consistency checking via SQL-to-NL reverse engineering. Our system significantly reduces query hallucination and improves semantic fidelity compared to direct LLM prompting. Evaluated on 60 queries (50 from a HuggingFace text-to-SQL dataset and 10 custom domain queries), the system achieves 90% correctness using Mistral across seven coordinated LLM calls showing that this approach can substantially increase the reliability of NL2SQL pipelines in high-stakes environments.
- Abstract（参考訳）: しかし、大規模言語モデル(LLM)は、スキーマ要素を幻覚させたり、構文的に無効なクエリを生成したり、ユーザの意図を捉えなかったりしている。
これらの制限は、KPI、規制制約、レガシリレーショナルシステムが高い精度を要求する保険のような分野において特に重要である。
本稿では,(1)ドメインの関連性検出,(2)スキーマに基づく知識構築,(3)KPI対応SQL合成,(4)構文レベルの自己修復,(4)Sqliteの実行フィードバック,(5)SQL-to-NLリバースエンジニアリングによる意味的整合性チェックを併用した,マルチエージェントのペルソナ駆動NL2SQLフレームワークを提案する。
我々のシステムはクエリ幻覚を著しく低減し、直接LLMプロンプトと比較して意味的忠実度を向上する。
このシステムは60のクエリ(HuggingFaceのテキスト-to-SQLデータセットと10のカスタムドメインクエリから50)で評価され、ハイテイク環境でNL2SQLパイプラインの信頼性を大幅に向上させることができることを示す7つのLLMコールでMistralを使用して90%の正確性を達成する。
関連論文リスト
- Reflect-SQL: A Self-Reflection Based Framework for Text-to-SQL [3.052889399420755]
自然言語によるデータアクセスの民主化は、現代企業にとって重要な目標である。
テキスト・トゥ・エフェクトの実践的採用は、現実世界の複雑さによって著しく妨げられている。
我々は,多段階自己回帰アプローチに基づくテキスト tosql の新たなフレームワークである Reflect- を紹介する。
我々のフレームワークは72.03%の精度で実行し、最先端のベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-09-01T07:46:27Z) - 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) - CLARITY: A Framework and Benchmark for Conversational Language Ambiguity and Unanswerability in Interactive NL2SQL Systems [13.595364881493943]
既存のベンチマークは通常、曖昧さの単一のソースを仮定し、解決のためにユーザインタラクションに依存します。
Clarityは,多面的曖昧さと多様なユーザ動作を備えたNL2ベンチマークを自動生成するフレームワークである。
業界グレードのNL2システムにおいて,より堅牢なあいまいさ検出と解決の必要性を強調した。
論文 参考訳（メタデータ） (2026-04-24T07:47:16Z) - LLM-Based SQL Generation: Prompting, Self-Refinement, and Adaptive Weighted Majority Voting [7.590911146338215]
アンサンブル投票(SSEV)を用いたシングルエージェント自己精製法を提案する。
私たちは、エンタープライズデータベースと現実のText-to-Actタスクの複雑さの増加に対処するために、SSEVパイプラインからの洞察に基づいています。
ReCAPAgent-5.5%は、計画、外部知識検索、批評、行動生成、自己修正、スキーマリンク、結果検証のための特殊エージェントを統合している。
論文 参考訳（メタデータ） (2026-01-25T18:38:58Z) - SQL-Trail: Multi-Turn Reinforcement Learning with Interleaved Feedback for Text-to-SQL [20.49395306069103]
テキスト・ツー・ワン・ジェネレーションのためのマルチターン強化学習(RL)エージェント・フレームワークを提案する。
1ショットでクエリを生成するのではなく、SQL-Trailはデータベース環境と対話し、実行フィードバックを使用して予測を反復的に洗練する。
提案手法は, エージェントの相互作用深度を問合せ難易度に合わせるための適応的なターン予算配分機構と, sqlの正しさと効率的な探索を両立させる複合報酬パネルの2つを主眼とする。
論文 参考訳（メタデータ） (2026-01-25T05:16:52Z) - Text-to-SQL as Dual-State Reasoning: Integrating Adaptive Context and Progressive Generation [54.53145282349042]
DSR-sourced, textbfDual-textbfS textbfReasoning frameworkを導入する。
ポストトレーニングやインコンテキストの例がなければ、DSR-sourcedは競合性能を達成し、スパイダー2.0-Snowで35.28%、BIRD開発で68.32%に達する。
論文 参考訳（メタデータ） (2025-11-26T13:52:50Z) - 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) - A New Paradigm of User-Centric Wireless Communication Driven by Large Language Models [53.16213723669751]
次世代の無線通信は、人工知能とユーザー中心の通信ネットワークを深く統合しようとしている。
本稿では,構造化クエリ言語に対する自然言語を革新的に取り入れた,無線通信のための新しいパラダイムを提案する。
本稿では,物理層における動的意味表現ネットワークを符号化深度に適応させてユーザ要求を満たすプロトタイプシステムを提案する。
論文 参考訳（メタデータ） (2025-04-16T01:43:36Z) - 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) - E-SQL: Direct Schema Linking via Question Enrichment in Text-to-SQL [1.187832944550453]
E-Seekは、直接スキーマリンクと候補述語拡張を通じてこれらの課題に対処するように設計された、新しいパイプラインである。
E-Seekは、関連するデータベース項目(テーブル、列、値)と条件を直接質問とsql構築計画に組み込むことで、自然言語クエリを強化し、クエリとデータベース構造の間のギャップを埋める。
総合的な評価は、E-Seekが競争性能、特に66.29%の実行精度で複雑なクエリに優れていることを示している。
論文 参考訳（メタデータ） (2024-09-25T09:02:48Z)
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。