85 Arbeiten
Die Arbeit stellt R4-CGQA vor, ein retrieval-basiertes Framework für Vision-Language-Modelle, das durch die Einführung eines neuen Datensatzes mit sechs Qualitätsdimensionen und einer zweistromigen Abrufarchitektur die Bewertung und textbasierte Erklärung der Bildqualität von Computergrafiken signifikant verbessert.
Die Arbeit stellt einen neuen Rahmen vor, der durch die semantische Analyse von Agenten-Executionspfaden und die Generierung kontextspezifischer Lernhinweise die Fähigkeit von LLM-Agenten zur Selbstverbesserung durch gezieltes Abrufen von Erfahrungswissen signifikant steigert.
Die Arbeit stellt ExBI vor, ein neues System, das mithilfe eines Hypergraphen-Datenmodells und sampling-basierter Algorithmen die Grenzen traditioneller Business-Intelligence-Systeme überwindet, indem es dynamische Schemata ermöglicht und bei gleichbleibend hoher Genauigkeit signifikante Geschwindigkeitsvorteile gegenüber etablierten Datenbanken wie Neo4j und MySQL erzielt.
Das Paper stellt EvoSchema vor, ein umfassendes Benchmark-Tool mit einer neuen Taxonomie von Schema-Änderungen, das die Robustheit von Text-to-SQL-Modellen gegenüber realen Datenbank-Evolutionen bewertet und zeigt, dass Modelle, die auf solchen vielfältigen Schemata trainiert werden, deutlich widerstandsfähiger gegen Leistungsabfall sind.
Die Arbeit stellt Pneuma-Seeker vor, ein System, das die LLM-basierte Datenanalyse durch die Reifizierung von Benutzeranfragen in ein relationales Schema verbessert, um so die Genauigkeit und Nachvollziehbarkeit bei der Beantwortung unpräziser Informationsbedürfnisse über heterogene Datenquellen zu erhöhen.
Dieser Artikel stellt eine generalisierte Datenhyperwürfel-Repräsentation auf Basis komprimierter Baumstrukturen vor, die in Kombination mit dem Polytope-Framework eine effiziente und flexible Merkmalsextraktion aus komplexen, unregelmäßigen und verzweigten Erdbeobachtungsdatensätzen ermöglicht.
Die Arbeit stellt einen nahezu instanzoptimalen Algorithmus für das Poisson-Sampling über azyklische Joins vor, der durch die Kombination eines zufälligen Zugriffsindex und einer Probing-Strategie in Spaltenspeichern eine deutlich höhere Effizienz als herkömmliche Methoden erreicht und gleichzeitig eine einheitliche Grundlage für sowohl klassisches Join-Verarbeitung als auch Sampling bietet.
Die Arbeit stellt HCT-QA vor, ein umfassendes Benchmark-Dataset mit tausenden realen und synthetischen menschenzentrierten Tabellen sowie zugehörigen Frage-Antwort-Paaren, um die Leistung von Sprach- und Vision-Sprachmodellen beim Beantworten natürlicher Fragen aus komplexen Tabellendokumenten zu evaluieren und durch Feinabstimmung signifikant zu verbessern.
Die Arbeit stellt KramaBench vor, einen Benchmark mit 104 manuell erstellten Herausforderungen, der zeigt, dass aktuelle KI-Systeme zwar einzelne Datenaufgaben bewältigen können, aber beim Entwurf und der Ausführung funktionsfähiger End-to-End-Pipelines zur Gewinnung von Erkenntnissen aus komplexen Data Lakes erhebliche Schwierigkeiten haben.
Diese Studie führt neue Metriken für „Text-to-Big SQL" ein, um zu zeigen, dass herkömmliche Text-to-SQL-Benchmarks die Kosten- und Leistungsauswirkungen von LLM-Agenten bei großen Datenmengen nicht erfassen, und bietet detaillierte Einblicke in die Effizienz frontier-Modelle.
Die Arbeit stellt SLER vor, ein skalierbares System, das durch die Kombination standardisierter Template-Enumeration mit einem Learning-to-Rank-Ansatz effizient über eine Million effiziente Abfrage-Umschreibungsregeln für komplexe Datenbankabfragen automatisch entdeckt und dabei die Suchräume drastisch reduziert.
Dieser Artikel stellt einen formalen Rahmen sowie eine Architektur und Algorithmen vor, um materialisierte RDF-Sichten über relationalen Unternehmensdaten zu konstruieren und inkrementell zu pflegen, um so eine semantisch integrierte Datenlage für Enterprise-Knowledge-Graphen zu gewährleisten.
Die Arbeit stellt NGDBench vor, ein umfassendes Benchmark-System, das die Fähigkeiten neuronaler Modelle bei der Verarbeitung komplexer Graphdatenbanken mittels der Cypher-Abfragesprache bewertet und dabei erhebliche Defizite in Bezug auf strukturiertes Schlussfolgern und Rauschrobustheit aufzeigt.
Diese Arbeit untersucht die durch KI-Entwicklungen ausgelösten Herausforderungen und Chancen für die Mensch-Daten-Interaktion, indem sie bestehende Grenzen in Bezug auf Unsicherheit, Skalierbarkeit und Interpretierbarkeit aufzeigt und einen Paradigmenwechsel hin zu kognitiv und wahrnehmungsorientierten, menschzentrierten Systemen für die Datenanalyse fordert.
Diese Arbeit stellt und evaluiert speichereffiziente B-Baum-Varianten für ressourcenbeschränkte Flash-Embedded-Geräte, die eine effiziente On-Device-Datenverarbeitung im IoT-Kontext ermöglichen.
Dieses Papier stellt ein formales Rahmenwerk und effiziente Algorithmen vor, um in Umgebungen mit Interessenkonflikten zwischen Datenquellen und Nutzern verzerrte Suchergebnisse zu erkennen und durch Query-Reformulierung relevante Informationen trotz absichtlicher Verzerrung zu extrahieren.
Die Arbeit stellt OMEGA vor, eine effiziente Methode für das Lernen von Top-K-Suchen, die mit einem einzigen, auf K=1 trainierten Modell und einem dynamischen Verfeinerungsprozess sowohl hohe Genauigkeit als auch Leistung bei variierenden K-Werten erreicht und dabei die Vorverarbeitungszeit im Vergleich zu bestehenden Methoden drastisch reduziert.
Diese Arbeit stellt das NP-schwere Problem der tag-spezifischen Reue-Minimierung im Außenwerbung (TRMOA) vor, das durch die Zuteilung von Werbeinhalten unter Budget- und Nachfragebeschränkungen gelöst wird, und schlägt dafür faire Greedy- und lokale Suchalgorithmen vor, deren Wirksamkeit anhand realer Datensätze nachgewiesen wurde.
Dieses Paper stellt einen offenen, synthetischen Datensatz für das Structural Health Monitoring vor, der auf einem numerischen Modell eines eingespannten Stahlträgers basiert und realistische Szenarien wie Umwelteinflüsse, Schäden und Sensorfehler abdeckt, um die Validierung datengetriebener Schadensidentifikationsmethoden zu ermöglichen.
Die Arbeit stellt mit xBound das erste theoretische Framework zur Berechnung beweisbarer unterer Schranken für Join-Größen vor, um das kritische Problem der systematischen Unterschätzung in Datenbank-Optimierern zu adressieren und damit in industriellen Systemen wie Microsoft Fabric signifikante Leistungssteigerungen zu erzielen.