論文の概要: Semantic Atoms for Scalable Text Analysis in Data Analytics in the Era of LLM-Based Agents

• arxiv url: http://arxiv.org/abs/2610.34860v1
• Date: Mon, 26 Oct 2026 05:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.762137
• Title: Semantic Atoms for Scalable Text Analysis in Data Analytics in the Era of LLM-Based Agents
• Title（参考訳）: LLMエージェント時代のデータ分析におけるスケーラブルテキスト解析のための意味的原子
• Abstract要約: 私たちは、テキスト列の処理が後続のデータ分析TAD(emphText Analysis in Data Analytics)の中心となるワークロードを呼び出します。 エージェント設定では、ユーザのクエリは、この処理を動的に指定し、それを正当性やPython操作でインターリーブする。 この混合実行では、どの作業がニューラルで、どのシンボルで、後続のステップでどのセマンティックアウトプットを再利用すべきかという2つの疑問が提起される。 我々は2つの補完的クエリ駆動セマンティック原子を持つエージェント計画型TADに対処する。
• 参考スコア（独自算出の注目度）: 31.850606277694478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Much of the information needed for data analysis is buried in text columns: an analyst may infer customer frustration from complaint text and use it to explain resolution time. We call workloads in which processing text columns is central to subsequent data analysis TADA (\emph{Text Analysis in Data Analytics}). In an agentic setting, the user's query dynamically specifies this processing, and answering it interleaves LLM-based semantic steps with exact SQL or Python operations. This mixed execution raises two design questions: which work should be neural and which symbolic, and which semantic outputs later steps can reuse. We address them for agent-planned TADA workflows with two complementary, query-driven semantic atoms. Each atom takes a sequence of text items and a natural-language query specifying the semantic task: \textbf{Tagging} returns one string per input item, while \textbf{Categorization} returns $M$ category objects over $N$ input items. Tagging results are materialized as a row-aligned column and Categorization results as a category table; SQL or Python then performs exact computation over this exposed state. We realize this interface in TADA-Agent, whose atoms run inside generated Python programs and internally handle inputs beyond a reliable context window. We evaluate TADA-Agent on TABench, a benchmark of 40 complete analysis requests over spreadsheet tables spanning workflow composition, input--output structure, and literature-grounded analytical scenarios. Against a semantic-operator baseline and relative to a held-out TADA reference run, TADA-Agent delivers comparable row-level semantic quality, has higher complete-artifact preservation estimates, and uses over an order of magnitude fewer semantic-model requests under the evaluated native execution paths.
• Abstract（参考訳）: データ分析に必要な情報の多くは、テキストコラムに埋もれています。アナリストは、苦情テキストから顧客のフラストレーションを推測し、解決時間を説明するためにそれを使用します。 我々は、テキスト列の処理が後続のデータ分析TAD(\emph{Text Analysis in Data Analytics})の中心となるワークロードを呼び出します。 エージェント設定では、ユーザのクエリがこの処理を動的に指定し、LLMベースのセマンティックステップをSQLやPythonの操作でインターリーブする。 この混合実行では、どの作業がニューラルで、どのシンボルで、後続のステップでどのセマンティックアウトプットを再利用すべきかという、2つの設計上の疑問が提起される。 我々は2つの補完的クエリ駆動セマンティックアトムを持つエージェント計画型TADワークフローに対処する。 各アトミックはテキスト項目のシーケンスとセマンティックタスクを指定する自然言語クエリを取得する: \textbf{Tagging} は入力項目ごとに1つの文字列を返すが、 \textbf{Categorization} は$N$の入力項目よりも$M$のカテゴリオブジェクトを返す。 タグ付け結果は行整列列として実現され、カテゴリテーブルとしてカテゴリ化結果が分類される。 TADA-Agentでは、生成されたPythonプログラム内で原子が動作し、信頼性の高いコンテキストウィンドウを越えてインプットを内部的に処理する。 TADA-Agent on TABench, a benchmark of 40 complete analysis request over spreadsheet table spaning workflow composition, input-output structure, and literature-grounded analysisal scenarios。 セマンティック・オペレーターのベースラインと、保持されたTAD参照実行と比較して、TAD-Agentは、同等の行レベルのセマンティック品質を提供し、高い完全なアーティファクト保存推定を持ち、評価されたネイティブ実行パスの下では、桁違いに少ないセマンティック・モデル要求を使用する。

関連論文リスト

• Walk Before You Run: The Importance of Data Exploration for Data Analysis Agents [7.140798105546584]
  現在のツールやベンチマークでは、このステップは通常暗黙的に残され、ダウンストリームタスクのパフォーマンスとデータセット理解のギャップが生じる。 我々は、より強力なデータ探索サポートによってタスクパフォーマンスが向上するダウンストリーム実験を通して示す。 以上の結果から,強力なLCMとデータ分析エージェントは,たとえスプレッドシートの内容を読み込んだとしても,重要な論理構造を欠いていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-08-17T03:19:59Z)
• ST-Raptor: An Agentic System for Semi-Structured Table QA [16.18235560779917]
  半構造化テーブル質問応答(QA)のためのエージェントシステムST-Raptorを提案する。 ST-Raptorは、ビジュアル編集、ツリーベースの構造モデリング、エージェント駆動クエリ解決を組み合わせたインタラクティブな分析環境を提供し、正確でユーザフレンドリなテーブル理解をサポートする。
  論文  参考訳（メタデータ） (2026-02-03T09:06:21Z)
• TARGET: Benchmarking Table Retrieval for Generative Tasks [7.379012456053551]
  TARGETは、GEnerative TasksのTAble Retrievalを評価するためのベンチマークである。 我々は、異なる検索者の検索性能と、下流タスクへの影響を分離して分析する。 密着型埋込型検索器はBM25ベースラインよりもはるかに優れており,非構造化テキストの検索よりも効率が低い。
  論文  参考訳（メタデータ） (2025-05-14T19:39:46Z)
• Learning Task Representations from In-Context Learning [67.66042137487287]
  大規模言語モデル(LLM)は、文脈内学習(ICL)において顕著な習熟性を示した。 ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。 提案手法は,テキスト中の実演からタスク固有の情報を抽出し,テキストと回帰タスクの両方で優れる。
  論文  参考訳（メタデータ） (2025-02-08T00:16:44Z)
• Long-Span Question-Answering: Automatic Question Generation and QA-System Ranking via Side-by-Side Evaluation [65.16137964758612]
  大規模言語モデルにおける長文文の活用について検討し,本書全体の読解データを作成する。 我々の目的は、長いテキストの詳細な理解を必要とする問題を分析し、理解し、推論するLLMの能力をテストすることである。
  論文  参考訳（メタデータ） (2024-05-31T20:15:10Z)
• InfiAgent-DABench: Evaluating Agents on Data Analysis Tasks [84.7788065721689]
  本稿では,データ解析タスクにおけるLSMに基づくエージェントの評価に特化して設計された最初のベンチマークであるInfiAgent-DABenchを紹介する。 このベンチマークには52のCSVファイルから得られた257のデータ分析質問からなるデータセットであるDAEvalが含まれている。 エージェントフレームワーク上に構築し,DABench 上で GPT-3.5 を3.9% 上回る特殊エージェント DAAgent を開発した。
  論文  参考訳（メタデータ） (2024-01-10T19:04:00Z)
• Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding [84.04706075621013]
  トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。 我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2022-09-28T21:00:30Z)

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。