論文の概要: AI Data Analysis: A New Approach - Multi-engine Joint State Data Analysis

• arxiv url: http://arxiv.org/abs/2611.00807v1
• Date: Sat, 31 Oct 2026 10:37:36 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:03:59.689954
• Title: AI Data Analysis: A New Approach - Multi-engine Joint State Data Analysis
• Title（参考訳）: AIデータ分析: 新しいアプローチ - マルチエンジン共同状態データ分析
• Abstract要約: マルチエンジンのジョイントステートデータ分析は、AIデータ分析における未開のギャップを埋める。 データコンテキストはLLM会話分析に埋め込まれる。 新規性は4次元座標系である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: AI data analysis today is three fragmented worlds: LLMs understand semantics but cannot compute; BI aggregates precisely but is stateless; ML processes large-scale data on a stateful kernel but lacks semantics. This paper proposes a combination mechanism, named Multi-engine Joint State Data Analysis, that fills a still-open gap - the multi-engine joint context: the data context is embedded into LLM conversational analysis, where the LLM serves only as the semantic, reasoning, and orchestration layer (not computation) and connects four engines through the 1M context window - Python and R ML kernels, SQL over relational databases, Cypher over graph databases - yielding two multiplications, "semantics and precise computation" and "relational and graph", under enterprise-grade governance. The novelty is a four-dimensional coordinate system: horizontal (engine kinds), vertical (state flow - the watershed), spatial (business generalization), temporal (iterative convergence); a deterministic grounding method (one-shot injection of schema.json + notes.md, M+S) carries the spatial and temporal dimensions. Empirically, all four dimensions are substantiated: horizontally, four engines are quantified - SQL, Cypher (96.5% on CypherBench movie), ML in Python and R (TabReD weather); vertically, state flows across engines and grounding is reused across kernels; spatially, SQL generalizes across three business databases - AdventureWorks 91.3%, financial 95.3%, formula_1 94.6% (average), about 20-23 points above single-shot SOTA 74.45%; temporally, accuracy converges monotonically as notes accumulate. The core invariant - the separation of semantics from computation plus a cross-data-domain persistent context - does not expire as LLMs and agents evolve or engine forms change.
• Abstract（参考訳）: 現在のAIデータ分析には3つの断片化された世界がある: LLMはセマンティクスを理解しているが計算できない;BI集約は正確だがステートレスである;MLはステートフルカーネル上で大規模データを処理するがセマンティクスは欠いている。 そこでは, LLMが意味, 推論, オーケストレーション層(計算ではない)としてのみ機能し, 1Mコンテキストウィンドウ(PythonおよびR MLカーネル, リレーショナルデータベース上のSQL, グラフデータベース上のCypher)を介して4つのエンジンを接続する。 水平(エンジンの種類)、垂直(状態の流れ - 流域)、空間(ビジネスの一般化)、時間的(時間的収束)、決定論的接地法( Schema.json + note.md, M+S)は空間的および時間的次元を持つ。 水平方向に4つのエンジンが定量化されている: SQL, Cypher (CypherBench 映画では96.5%)、Python と R (TabReD の天気)、垂直方向にエンジンと接地をまたいだ状態の流れがカーネル間で再利用されている; SQLはアドベンチャーワークス91.3%、財務95.3%、式_1 94.6%(平均)、単発SOTA74.45%の20-23点、時間的に精度は単調に収束する。 コアの不変性 - 計算からセマンティクスを分離すると同時に、データドメイン間の永続的なコンテキスト - は、LLMやエージェントが進化するか、エンジンフォームが変化するにつれて、期限が切れることはない。

関連論文リスト

• Compute Has Shape: Self-Morphing the Internal Computation of Frozen LLMs [66.81922093956588]
  テストタイムのスケーリングは、さらなる計算によって大きな言語モデルを改善する。 既存のアプローチは、トレーニング中にリカレントアーキテクチャや並列アーキテクチャを主に修正する。 計算形状を入力依存推論時間決定とするSelfMorphを導入する。
  論文  参考訳（メタデータ） (2026-10-28T07:19:28Z)
• Symbolic Separation: Grounding Deep Agents in Knowledge Graphs for Trustworthy Operational Data Analytics [2.0731091158007318]
  Generative AIは、データセンターと産業用4.0インストールの巨大な数値テレメトリへの自然言語アクセスを約束する。 フロンティアモデルでさえ、現実世界のデータベースの質問の半分にしか答えない。 深層エージェントは、オントロジーに制約された仮想知識グラフを通してのみデータに作用する。
  論文  参考訳（メタデータ） (2026-09-15T12:38:43Z)
• DataClawEval: A Benchmark for Data Engineering Agents in Real Industrial Harness [8.716755570427184]
  我々は,実世界のデータエンジニアリングシナリオにおいて,自律エージェントのエンドツーエンドタスク完了を評価するために設計された,最初の包括的なベンチマークであるDataClawEvalを紹介する。 PySpark、Hive、Presto/Trino、Flinkの5つの実行エンジンにまたがる100の厳格なエンドツーエンドタスクで構成されている。 決定論的アズ・ア・ジャッジスコアではなく、各タスクはケース固有で独立したサンドボックス内で実行され、ルールベースのスクリプトによってグレードされる。
  論文  参考訳（メタデータ） (2026-07-30T11:17:27Z)
• A Semantic-Layer-Mediated Agent for Natural Language to SQL over Heterogeneous Enterprise Databases [0.0]
  そこで本研究では,意味的意図を物理スコール実行から切り離す意味的層を介するNL2エージェントを提案する。 このシステムは制約付きシンクアクトループを採用し、BigQueryとSnowflakeバックエンドをサポートし、エンドツーエンド評価フレームワークに統合されている。 Gemini 3 Pro は 547-task Spider2-snow ベンチマークで94.15% の精度で実行され、公式のリーダーボードで3位にランクインし、スキーマのみのアプローチを大幅に上回った。
  論文  参考訳（メタデータ） (2026-06-30T02:22:39Z)
• Code2UML: Agentic LLMs with context engineering for scalable software visualization [7.069738194755401]
  本稿では,ソースコードリポジトリからの自動ダイアグラム生成のためのコンテキストエンジニアリングを備えたエージェントアーキテクチャを提案する。 PlannerAgent、Analyzer DiagramAgent、CorrectorAgent、DependencyAnalyzerAgentの5つの特別なエージェントの階層を採用しており、Claude Agent SDK上に構築されている。 決定論的で重み付けされたIR圧縮層は、完全なプロジェクトIRをトークン制約に適合するように保証されたダイアグラム固有のビューに変換する。
  論文  参考訳（メタデータ） (2026-05-23T08:01:26Z)
• MEME: Multi-entity & Evolving Memory Evaluation [76.57263966646404]
  MEMEは、マルチエンタリティと進化する軸によって定義される全空間にまたがる6つのタスクを定義している。 3つの記憶パラダイムにまたがる6つの記憶システムの評価。 デフォルト設定の下では、すべてのシステムが依存性の推論で崩壊しているのが分かります。
  論文  参考訳（メタデータ） (2026-05-12T17:55:10Z)
• Meta Engine: A Unified Semantic Query Engine on Heterogeneous LLM-Based Query Systems [7.4630710425423965]
  構造化されていないデータとして、多くのマルチモーダルデータ(テキスト、画像、ビデオなど)がセマンティクスに隠されている。 構造化されていないデータに対するセマンティッククエリをサポートするLLMベースのセマンティッククエリシステムもいくつか提案されている。 本稿では,クエリシステムにおける新しいクエリシステムであるMeta Engineを紹介する。 すべてのベースラインを一貫して上回り、ほとんどの場合、F1は3～6倍、特定のデータセットでは最大24倍になる。
  論文  参考訳（メタデータ） (2026-02-02T06:16:04Z)
• LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
  大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。 LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-28T17:31:38Z)
• PICASO: Permutation-Invariant Context Composition with State Space Models [98.91198288025117]
  State Space Models (SSM) は、コンテキストのデータベースを固定次元の状態にマッピング可能にすることで、有望なソリューションを提供する。 本研究では,SSM力学から導かれる単純な数学的関係を,生のコンテキストトークンの連結効果を効率的に近似する複数の状態に構成する。 我々は,WikiText と MSMARCO をゼロショットと微調整の両方で評価し,平均5.4倍のスピードアップを楽しみながら最強の演奏ベースラインと一致できることを示す。
  論文  参考訳（メタデータ） (2025-02-24T19:48:00Z)

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。