Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Towards Scalable Schema Mapping using Large Language Models

Created by
  • Haebom

저자

Christopher Buss, Mahdis Safari, Arash Termehchy, Stefan Lee, David Maier

개요

본 논문은 다양한 출처의 방대한 정보 통합에 따른 확장성 문제를 해결하기 위해 대규모 언어 모델(LLM)을 활용한 스키마 매핑 자동화에 초점을 맞추고 있습니다. 수동으로 작성된 스키마 매핑의 복잡성과 유지보수 비용 문제를 해결하고자 LLM을 활용하는 방안을 제시하지만, LLM을 이용한 스키마 매핑의 세 가지 핵심적인 문제점, 즉 입력 표현 및 구조에 대한 민감성으로 인한 불일치 출력, 보다 표현력 있는 매핑의 필요성, 그리고 반복적인 LLM 호출로 인한 높은 계산 비용을 지적합니다. 이러한 문제점을 해결하기 위해 샘플링 및 집계 기법, 데이터 유형 사전 필터링과 같은 전략을 제안합니다.

시사점, 한계점

시사점:
LLM을 활용한 스키마 매핑 자동화의 가능성을 제시하고, 실제 구현 과정에서 발생할 수 있는 문제점들을 구체적으로 파악하여 해결 방안을 모색함.
샘플링 및 집계, 데이터 유형 사전 필터링 등의 실용적인 해결 방안 제시.
한계점:
LLM의 입력 표현 및 구조에 대한 민감성 문제는 여전히 완벽하게 해결되지 않음.
LLM의 제한된 컨텍스트 윈도우로 인해 더욱 표현력 있는 매핑 (예: GLaV) 생성에 어려움이 있음.
제안된 해결책들의 효율성 및 실제 적용 가능성에 대한 추가적인 실험 및 검증이 필요함.
LLM 호출의 계산 비용 문제는 부분적으로만 해결되었으며, 더욱 효율적인 방법이 필요할 수 있음.
👍