84 Arbeiten
Die Arbeit stellt NeurCC vor, einen neuartigen, lernbasierten Algorithmus zur Nebenläufigkeitskontrolle in Datenbanken, der durch die Kombination von Bayes-Optimierung und einem Graphen-Reduktions-Suchverfahren eine effiziente, anpassungsfähige Funktion erlernt, die in verschiedenen Arbeitslasten eine höhere Transaktionsdurchsatzleistung erzielt als bestehende State-of-the-Art-Verfahren.
Das Paper stellt OptBench vor, eine interaktive Arbeitsumgebung auf Basis von DuckDB, die es Forschern und Praktikern ermöglicht, Optimierer für hybride SQL+AI/ML-Abfragen transparent zu entwickeln, zu vergleichen und deren Entscheidungsprozesse sowie Ausführungspläne visuell zu analysieren.
Die Arbeit stellt \texttt{EinSum} vor, eine tensor-relationale Erweiterung der Einstein-Summation, die große, dünnbesetzte Berechnungen durch die automatische Umformulierung in relationale Operationen für die Sparsity-Verwaltung und effiziente numerische Kerne für rechenintensive Teile optimiert.
Die Arbeit stellt Nezha vor, ein verteiltes Key-Value-Speichersystem, das durch eine innovative Trennung von Schlüsseln und Werten sowie eine optimierte Raft-Integration die durch überlappende Persistenzvorgänge verursachten I/O-Overheads reduziert und dabei die Durchsatzleistung für Schreib-, Lese- und Scan-Operationen signifikant steigert, ohne die Sicherheitsgarantien von Raft zu beeinträchtigen.
Die Arbeit stellt DataFactory vor, ein kollaboratives Multi-Agenten-Framework, das durch spezialisierte Teamkoordination, die automatische Umwandlung von Daten in Wissensgraphen und kontextbasierte Strategien die Genauigkeit und Zuverlässigkeit von Tabellen-Fragebeantwortung (TableQA) im Vergleich zu herkömmlichen Einzel-Agenten-Ansätzen signifikant verbessert.
Die Studie stellt fest, dass LLM-gesteuerte Indexoptimierung zwar in bestimmten Fällen die Microsoft DTA-Verfahren übertreffen und menschliche Erkenntnisse liefern kann, ihre direkte Produktionseinführung jedoch aufgrund hoher Varianz, begrenzter Integrationsvorteile und hoher Validierungskosten derzeit noch herausfordernd bleibt.
Dieser Tutorial-Übersichtsartikel aus ICDE 2026 beleuchtet die sich gegenseitig verstärkende Beziehung zwischen KI und Vektorsuche, bei der KI die Effizienz der Suche optimiert und Vektorsuche durch RAG-Frameworks die Fähigkeiten von Sprachmodellen erweitert, um gemeinsam einen „tugendhaften Kreislauf" intelligenter Informationssysteme zu schaffen.
Das Paper stellt GeoBenchr vor, eine Open-Source-Benchmarking-Suite, die durch die Evaluierung von Spatiotemporal-Datenbanksystemen anhand realer Anwendungsfälle aus Bereichen wie Radfahren, Luftfahrt und Schifffahrt eine umfassende, anwendungsorientierte Leistungsanalyse ermöglicht.
Diese Arbeit nähert sich der Lösung der Vermutung, dass beschränkte Ableitungstiefe endliche Kontrollierbarkeit impliziert, indem sie nachweist, dass universelle Modelle von solchen Regelsets keine beliebig großen Turniere enthalten können, ohne eine Schleifenabfrage zu erfüllen.
Diese Arbeit stellt ein neues Maß für die lokale Stabilität von Rankings vor, das die Auswirkungen kleiner Änderungen auf die Rangfolge unter Berücksichtigung dicht besetzter Regionen analysiert, und schlägt effiziente Algorithmen zur Approximation und Detektion dieser Regionen vor, die durch theoretische Garantien und umfangreiche Experimente validiert werden.
Diese Arbeit stellt einen neuro-symbolischen generativen Agenten vor, der durch die autonome Validierung physikalischer Annahmen und die Vervollständigung fehlender Mechanismen das Problem physikalischer Halluzinationen in wissenschaftlichen Simulationen löst und so KI von bloßen Code-Assistenten zu epistemischen Partnern weiterentwickelt.
Die Arbeit liefert die erste systematische Untersuchung der Ausdruckskraft der Property-Graph-Einsprachensprache PG-Keys, indem sie diese im Rahmen eines vereinheitlichten Modells mit Graph-Functional-Dependencies (GFD) und Graph-Generating-Dependencies (GGD) vergleicht und eine vollständige Hierarchie ihrer Ausdruckskraft etabliert.
Diese Arbeit zeigt, dass der Wechsel von In-Place- zu Out-of-Place-Schreiboperationen in Datenbank-Systemen wie LeanStore die SSD-Leistung erheblich steigert, die Schreibverstärkung drastisch reduziert und die Unterstützung moderner SSD-Schnittstellen wie ZNS ermöglicht.
Das Paper stellt WikiDBGraph vor, eine umfassende Benchmark-Suite aus 100.000 realen relationalen Datenbanken, die die Lücke zwischen theoretischen kollaborativen Lernansätzen und der praktischen Bewältigung unstrukturierter, fragmentierter Datensilos durch die Einbeziehung des gesamten Datenmanagement-Workflows aufzeigt.
Die Arbeit stellt MMTU vor, ein umfassendes Benchmark mit über 28.000 Fragen zu 25 realen Tabellenaufgaben, das die aktuellen Grenzen von KI-Modellen bei der Experten-Nutzung strukturierter Daten aufzeigt und als Impuls für zukünftige Fortschritte dient.
Die Arbeit stellt TableEG vor, ein auf Large Language Models basierendes Framework, das durch Feinabstimmung authentische Fehler in tabellarischen Daten generiert und so eine zuverlässige Benchmark für die Bewertung von Datenbereinigungstechniken schafft.
Das Paper stellt SDFed vor, ein heterogenes Framework für das federierte Prompt-Learning, das durch Subspace-Refinement und Divergenzkontrolle die Diskrepanz zwischen lokalen und globalen Repräsentationen überbrückt, indem es variable lokale Prompts bei gleichzeitiger Beibehaltung eines festen globalen Prompts ermöglicht.
Die vorgestellte Arbeit stellt PAG (Projection-Augmented Graph) vor, einen neuen Approximate Nearest Neighbor Search-Rahmen, der durch die Integration von Projektionstechniken in Graph-Indizes gleichzeitig hohe Abfragegeschwindigkeit, schnelle Indexierung, geringen Speicherbedarf und Skalierbarkeit für moderne KI-Anwendungen erreicht und dabei HNSW um das Fünffache übertrifft.
Dieses Paper stellt die Fünfte Graph-Normalform (5GNF) vor, ein trait-basiertes Framework zur Normalisierung von Metadaten in Property Graphs, das durch die Extraktion wiederkehrender Attribute in kanonische Trait-Knoten Redundanz reduziert und die semantische Klarheit sowie Wartbarkeit von Graph-Schemata verbessert.
Diese Studie zeigt, dass Graphen-Verdünnung als effiziente Vorverarbeitungsstufe nicht nur die Trainings- und Inferenzgeschwindigkeit von Graph Neural Networks bei großen Graphen erheblich steigert, sondern in vielen Fällen sogar die Vorhersagegenauigkeit verbessert oder nur vernachlässigbar beeinträchtigt.