SHARE: Um Assistente Hierárquico de Correção de Ações Baseado em SLM para Texto-para-SQL

SHARE: An SLM-based Hierarchical Action CorREction Assistant for Text-to-SQL

May 31, 2025

Autores: Ge Qu, Jinyang Li, Bowen Qin, Xiaolong Li, Nan Huo, Chenhao Ma, Reynold Cheng

cs.AI

Resumo

As abordagens atuais de autocorreção em text-to-SQL enfrentam duas limitações críticas: 1) Os métodos convencionais de autocorreção dependem de chamadas recursivas de LLMs, resultando em sobrecarga computacional multiplicativa, e 2) Os LLMs têm dificuldade em implementar detecção e correção eficazes de erros para consultas SQL declarativas, pois não conseguem demonstrar o caminho de raciocínio subjacente. Neste trabalho, propomos o SHARE, um assistente de correção hierárquica de ações baseado em SLM que permite que os LLMs realizem localização de erros mais precisa e correção eficiente. O SHARE orquestra três Small Language Models (SLMs) especializados em um pipeline sequencial, onde primeiro transforma consultas SQL declarativas em trajetórias de ações passo a passo que revelam o raciocínio subjacente, seguido por um refinamento granular em duas fases. Além disso, propomos uma nova estratégia hierárquica de auto-evolução para treinamento eficiente em termos de dados. Os resultados experimentais demonstram que o SHARE melhora efetivamente as capacidades de autocorreção, mostrando-se robusto em vários LLMs. Além disso, nossa análise abrangente mostra que o SHARE mantém um desempenho forte mesmo em configurações de treinamento com poucos recursos, o que é particularmente valioso para aplicações text-to-SQL com restrições de privacidade de dados.

English

Current self-correction approaches in text-to-SQL face two critical limitations: 1) Conventional self-correction methods rely on recursive self-calls of LLMs, resulting in multiplicative computational overhead, and 2) LLMs struggle to implement effective error detection and correction for declarative SQL queries, as they fail to demonstrate the underlying reasoning path. In this work, we propose SHARE, an SLM-based Hierarchical Action corREction assistant that enables LLMs to perform more precise error localization and efficient correction. SHARE orchestrates three specialized Small Language Models (SLMs) in a sequential pipeline, where it first transforms declarative SQL queries into stepwise action trajectories that reveal underlying reasoning, followed by a two-phase granular refinement. We further propose a novel hierarchical self-evolution strategy for data-efficient training. Experimental results demonstrate that SHARE effectively enhances self-correction capabilities while proving robust across various LLMs. Furthermore, our comprehensive analysis shows that SHARE maintains strong performance even in low-resource training settings, which is particularly valuable for text-to-SQL applications with data privacy constraints.