論文の概要: Reimagining Text-to-SQL: A Survey of Large Language Model Architectures and Strategies
- arxiv url: http://arxiv.org/abs/2611.00171v1
- Date: Fri, 30 Oct 2026 13:45:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 02:56:44.932738
- Title: Reimagining Text-to-SQL: A Survey of Large Language Model Architectures and Strategies
- Title(参考訳): テキストからSQLへ - 大規模言語モデルアーキテクチャと戦略の調査
- Abstract要約: 大規模言語モデルは、実行精度を新しい最先端レベルに押し上げる。
モジュラーフレームワークはタスクをサブプロブレムに分解する。
エージェントシステムは、サブタスクを通信し、動的に割り当てる複数の特殊エージェントを調整する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-SQL systems translate natural language questions into executable SQL queries, democratizing access to relational data. Early approaches relied on handcrafted rules and template matching, while subsequent neural methods introduced encoder-decoder architectures, schema linking, and constrained decoding to handle increasingly complex queries. The emergence of large language models (LLMs), exemplified by systems such as ReFoRCE, Agentar-Scale-SQL, Snowflake's Arctic-Text2SQL-R1, and the modular XiYan-SQL framework, has dramatically advanced the field, pushing execution accuracy to new state-of-the-art levels on challenging benchmarks such as Spider, Spider 2.0, and BIRD. In parallel, modular frameworks decompose the task into sub-problems (schema retrieval, sketch-based generation, repair, and ranking), while agentic systems coordinate multiple specialized agents that communicate and dynamically allocate sub-tasks. This survey systematically reviews these LLM-driven approaches within a unified taxonomy of five paradigms (in-context learning, supervised and parameter-efficient fine-tuning, agentic and tool-augmented orchestration, retrieval-augmented generation, and reinforcement learning) and characterizes them by model granularity (monolithic vs. modular), level of supervision (zero-shot, fine-tuned, or reinforcement-based), and reasoning style (direct decoding vs. decomposed multi-step reasoning). We further analyze evaluation metrics, datasets, and open challenges, including domain generalization, efficiency, and real-world deployment, and we examine the role of the semantic layer in production systems. As LLMs increasingly access sensitive databases, we also discuss responsible AI practices. We survey over 100 papers and technical resources, focusing on work published between 2022 and 2026.
- Abstract(参考訳): テキストからSQLへのシステムは自然言語の質問を実行可能なSQLクエリに変換し、リレーショナルデータへのアクセスを民主化する。
初期のアプローチは手作りのルールとテンプレートマッチングに依存していたが、その後のニューラルメソッドではエンコーダ-デコーダアーキテクチャ、スキーマリンク、複雑なクエリを扱うための制約付きデコードが導入されている。
大規模な言語モデル(LLM)の出現は、ReFoRCE、Agensar-Scale-SQL、SnowflakeのArctic-Text2SQL-R1、モジュール型のXiYan-SQLフレームワークといったシステムによって実証された。
並行して、モジュールフレームワークはタスクをサブプロブレム(スキーマ検索、スケッチベースの生成、修復、ランキング)に分解し、エージェントシステムはサブタスクを通信し、動的に割り当てる複数の特殊エージェントを調整する。
本研究は,5つのパラダイム(コンテキスト学習,教師付きおよびパラメータ効率の高い微調整,エージェントおよびツール強化オーケストレーション,検索強化生成,強化学習)の統一分類において,これらのLCM主導のアプローチを体系的にレビューし,モデル粒度(モノリシック対モジュラー),監督レベル(ゼロショット,微調整,強化ベース),推論スタイル(直接復号化対マルチステップ推論)で特徴付ける。
さらに、ドメインの一般化、効率性、実世界の展開など、評価指標、データセット、オープンな課題を分析し、本運用システムにおけるセマンティックレイヤの役割について検討する。
LLMがセンシティブデータベースにアクセスしやすくなればなるほど、責任あるAIプラクティスについても議論する。
2022年から2026年にかけての作業を中心に、100以上の論文と技術資源を調査します。
関連論文リスト
- Bridging the Agent-World Gap: Text World Models for LLM-based Agents [83.8237017249529]
大規模言語モデル(LLM)ベースのエージェントは、インタラクティブなテキスト環境においてますます使われている。
多くは反応が強く、これらの環境がどのように構成され、どのように進化するかの明確なモデルなしで、観察を行動にマッピングする。
テキストワールドモデル(TWMs): 状態と候補アクションが与えられたら、結果のWebページ、端末出力、API応答、ユーザ応答を予測する。
LLMをベースとしたエージェントのテキストワールドモデルについて,形式的なフレームワークとエージェントライフサイクルを中心に整理し,体系的にレビューを行った。
論文 参考訳(メタデータ) (2026-06-08T04:58:52Z) - OpenCompass: A Universal Evaluation Platform for Large Language Models [62.59671563145442]
汎用大規模言語モデル (LLM) は, 技術の進歩において重要なリンクとなっている。
メインストリームベンチマークデータセットは、タスクタイプの多様性、一貫性のない評価基準、データと処理の断片化といった課題に直面している。
本稿では,ワンストップ,スケーラブル,高精度な汎用評価プラットフォームであるOpen LLMをオープンソースとして提案する。
論文 参考訳(メタデータ) (2026-05-19T02:50:11Z) - DataFactory: Collaborative Multi-Agent Framework for Advanced Table Question Answering [18.66810094244931]
Table Question Answering (TableQA)は、構造化データとの自然言語インタラクションを可能にする。
既存の大規模言語モデル(LLM)アプローチには、限界がある。
本稿では,これらの制約に対処するマルチエージェントフレームワークであるDataFactoryを紹介する。
論文 参考訳(メタデータ) (2026-03-10T03:44:52Z) - A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳(メタデータ) (2025-10-10T06:56:50Z) - Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。
その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。
本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
論文 参考訳(メタデータ) (2025-08-28T13:00:28Z) - Large Language Models are Good Relational Learners [55.40941576497973]
本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。
従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
論文 参考訳(メタデータ) (2025-06-06T04:07:55Z) - HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation [11.53083922927901]
HM-RAGは階層型マルチエージェントマルチモーダルRAGフレームワークである。
構造化、非構造化、グラフベースのデータ間での動的知識合成のための協調知能の先駆者である。
論文 参考訳(メタデータ) (2025-04-13T06:55:33Z) - DB-Explore: Automated Database Exploration and Instruction Synthesis for Text-to-SQL [18.915121803834698]
大規模言語モデルとデータベースの知識を体系的に整合させる新しいフレームワークであるDB-Exploreを提案する。
我々のフレームワークは、多様なサンプリング戦略と自動命令生成を通じて、包括的なデータベース理解を可能にする。
論文 参考訳(メタデータ) (2025-03-06T20:46:43Z) - A Survey of Large Language Model-Based Generative AI for Text-to-SQL: Benchmarks, Applications, Use Cases, and Challenges [0.7889270818022226]
自然言語クエリを構造化クエリ言語(技術)に変換することで,データベースとのスムーズな対話を容易にする
この調査は、AI駆動のテキスト・ツー・ワンシステムの進化の概要を提供する。
医療、教育、金融といった分野におけるテキスト・ツー・ワンの適用について検討する。
論文 参考訳(メタデータ) (2024-12-06T17:36:28Z)
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。