論文の概要: OGDA: Ontology-Grounded Data Agents for Reliable Analysis over Heterogeneous Data Lakes
- arxiv url: http://arxiv.org/abs/2611.12114v1
- Date: Mon, 09 Nov 2026 09:26:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:38.262692
- Title: OGDA: Ontology-Grounded Data Agents for Reliable Analysis over Heterogeneous Data Lakes
- Title(参考訳): OGDA:不均一データ湖の信頼性評価のためのオントロジー型データエージェント
- Abstract要約: 実世界のデータレイク上での完全なパイプラインデータ分析では、LCMエージェントが異なるスキーマでテーブル間で情報を発見、統合する必要がある。
既存のデータエージェントはタスク固有の探索に従い、巨大な湖のコンテキストウィンドウを浪費する。
我々は,オントロジー・グラウンドド・データ・エージェント(OGDA)を導入し,探索オーバーヘッドと制約データ処理の削減にコンパクトなオントロジーを利用する。
- 参考スコア(独自算出の注目度): 52.18085204294544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Full-pipeline data analysis over real-world data lakes requires LLM agents to locate and integrate information across large collections of tables with different schemas. Existing data agents follow task-specific exploration, which exhausts the context window in massive lakes. As the context fills, the agent's reasoning degrades, leading it to locate and process incorrect data files. These errors propagate into the final answer. To overcome these limitations, we introduce Ontology-Grounded Data Agent (OGDA), which utilizes a compact ontology to reduce exploration overhead and constrain data processing. OGDA constructs the ontology through agentic hypothesis testing. At each step, a proposer agent induces schemas, concepts, and relations from raw sources, and a verifier checks each proposal against the underlying data. During task execution, the ontology serves as a representation of the data lake for the agent to explore. Every data-processing action is constrained by a task graph, which the agent can extend only after observing the semantic meaning of the data. Across KramaBench and DiscoveryBench with three LLM backbones, OGDA outperforms the strongest baselines by up to 10.82 points. These results suggest that explicitly modeling the data lake is a key step toward reliable end-to-end data agents.
- Abstract(参考訳): 実世界のデータレイク上での完全なパイプラインデータ分析では、LLMエージェントが異なるスキーマを持つテーブルの大規模なコレクションにまたがって情報を発見、統合する必要がある。
既存のデータエージェントはタスク固有の探索に従い、巨大な湖のコンテキストウィンドウを浪費する。
コンテキストが満たされると、エージェントの推論は劣化し、不正確なデータファイルを見つけ、処理する。
これらの誤りは最終回答へと伝播する。
これらの制約を克服するために,コンパクトなオントロジーを利用して探索オーバーヘッドを低減し,データ処理を制約するOntology-Grounded Data Agent (OGDA)を導入する。
OGDAはエージェント仮説テストを通じてオントロジーを構築する。
各ステップにおいて、プロポーザルエージェントは、ソースからスキーマ、概念、関係を誘導し、検証者は、基礎となるデータに対して各プロポーザルをチェックする。
タスク実行中、オントロジーは、エージェントが探索するデータレイクの表現として機能する。
すべてのデータ処理アクションはタスクグラフによって制約され、エージェントはデータのセマンティックな意味を観察した後のみ拡張できる。
クラマベンチとディスカバリーベンチの3つのLLMバックボーンでは、OGDAは10.82ポイントで最強のベースラインを上回っている。
これらの結果は、データレイクを明示的にモデル化することが、信頼性の高いエンドツーエンドデータエージェントへの重要なステップであることを示唆している。
関連論文リスト
- EvoOntology: A Self-Evolving Ontology Layer for Data Agents [31.301299551756596]
EvoOntologyはデータエージェントのための自己進化型オントロジー層である。
オントロジーをスキーマ層、コンテンツ層、ツール層からなるMPPサーバとしてカプセル化する。
EvoOntologyは、強いベースラインと既存のセマンティック層アプローチを一貫して上回る。
論文 参考訳(メタデータ) (2026-09-14T15:59:24Z) - SANA: What Matters for QA Agents over Massive Data Lakes? [21.461240255601684]
我々は、EQAタスクをゴールドソースシーケンス、サニタイズされたサブクエスト、実行レコードを含むランタイムプロファイルに変換するフレームワークであるSANAを提案する。
我々は、最近の2つのEQAベンチマーク、LakeQAとKramaBenchを評価し、固定プロンプト、予算、データレイク、ランタイムの下で軽量で中規模のエージェントを評価する。
論文 参考訳(メタデータ) (2026-06-11T20:51:44Z) - DataCross: A Unified Benchmark and Agent Framework for Cross-Modal Heterogeneous Data Analysis [8.171937411588015]
我々は、統合された洞察駆動分析のための新しいベンチマークと協調エージェントフレームワークであるDataCrossを紹介する。
DataCrossBenchには、ファイナンス、ヘルスケア、その他のドメインにわたる200のエンドツーエンド分析タスクが含まれている。
また、人間アナリストの「分割合成」ワークフローにインスパイアされたDataCrossAgentフレームワークを提案する。
論文 参考訳(メタデータ) (2026-01-29T08:40:45Z) - Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs [66.63911043019294]
データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としている。
本稿では,様々な下流タスクのためのデータ準備にLLM技術を用いることに焦点を当てる。
データクリーニング、標準化、エラー処理、計算、データ統合、データ豊か化という3つの主要なタスクにフィールドを編成するタスク中心の分類を導入します。
論文 参考訳(メタデータ) (2026-01-22T12:02:45Z) - Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents [85.02904078131682]
本稿では,エージェントデータセット間の"インターリングア"として機能する軽量表現言語であるエージェントデータプロトコル(ADP)を紹介する。
ADPはAPI/ツールの使用、ブラウジング、コーディング、ソフトウェアエンジニアリング、一般的なエージェントなど、さまざまなタスクを捉えるのに十分な表現力を持っている。
すべてのコードとデータが公開され、ADPが標準化され、スケーラブルで再現可能なエージェントトレーニングの障壁を低くすることを期待している。
論文 参考訳(メタデータ) (2025-10-28T17:53:13Z) - 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) - GDS Agent for Graph Algorithmic Reasoning [0.0]
本稿では,GDS (Graph Data Science) エージェントについて紹介する。
GDSエージェントは、アルゴリズム結果の事前処理(検索)と後処理とともに、グラフアルゴリズムの包括的なセットをツールとして導入する。
その結果、GDSエージェントは幅広いグラフタスクを解くことができることがわかった。
論文 参考訳(メタデータ) (2025-08-28T10:35:44Z) - 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)
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。