TRUST-SQL: 未知のスキーマに対するツール統合型の多ターン強化学習による Text-to-SQL

要約: テキストからSQLへのパースは、完全スキーマ仮定のもとで著しい進歩を遂げている。しかし、この前提は、データベースに数百のテーブルがあり、膨大でノイズの多いメタデータを含む現実の企業環境では成り立たない。事前に全スキーマを投入する代わりに、エージェントは関連するサブセットのみを能動的に識別し検証しなければならず、本研究で検討する未知スキーマ（Unknown Schema）シナリオが生じる。これに対処するべく、TRUST-SQL（ツールを介した未知スキーマに関する正直な推論）を提案します。私たちはこのタスクを部分的に観測可能なマルコフ決定過程として定式化し、我々の自律エージェントは検証済みメタデータに基づく推論を地固めるための、構造化された四段階のプロトコルを採用します。重要なことに、このプロトコルは我々の新しいDual-Track GRPO戦略の構造的境界を提供します。トークンレベルのマスクドアドバンテージを適用することにより、この戦略は探索報酬を実行結果から分離してクレジット割り当てを解決し、標準GRPOに対して相対的に9.9%の改善をもたらします。5つのベンチマークに跨る広範な実験は、TRUST-SQLが基礎モデルに対して、4B版と8B版のそれぞれで平均絶対改善として30.6%および16.6%を達成することを示しています。驚くべきことに、事前にロードされたメタデータを全く使用せずに動作するにもかかわらず、当フレームワークはスキーマの事前充填に依存する強力なベースラインと同等かそれを上回る結果を一貫して示しています。