87 Arbeiten
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.
Diese scientometrische Studie analysiert die globale Forschungslandschaft zur aviären Influenza von 2014 bis 2023 anhand von Web-of-Science-Daten und identifiziert dabei einen stetigen Anstieg der Publikationen mit führender Beteiligung Chinas und der USA sowie die Notwendigkeit verstärkter internationaler Zusammenarbeit.
Das Paper stellt V3DB vor, einen verifizierbaren Vektorsuchdienst, der es ermöglicht, die Korrektheit von Approximate-Nearest-Neighbor-Ergebnissen auf kommittierten Datenschnappschüssen mittels effizienter Zero-Knowledge-Beweise nachzuweisen, ohne dabei die zugrunde liegenden Daten oder den Index preiszugeben.
Das Paper stellt Stratum vor, eine neue Systeminfrastruktur, die die Ausführung von ML-Pipelines von der Planung autonomer Agenten entkoppelt und durch die Kompilierung in optimierte Ausführungsgraphen sowie die Nutzung heterogener Backends, einschließlich einer Rust-Laufzeitumgebung, die Skalierbarkeit und Geschwindigkeit von agenter Pipelinesuche in der Python-ML-Ökosystem um bis zu 16,6-fach steigert.
Die Arbeit stellt KG-WISE vor, ein LLM-gesteuertes Inferenzsystem für Graph-Neuronale Netze auf großen Wissensgraphen, das durch feinkörnige, abfragebewusste Modellkomponenten und semantische Subgraph-Extraktion die Inferenzgeschwindigkeit um das 28-fache steigert und den Speicherbedarf um 98 % senkt, ohne die Genauigkeit zu beeinträchtigen.
Diese Arbeit stellt einen integrativen Ansatz zur Verallgemeinerung der fairen Top--Auswahl auf mehrere geschützte Gruppen vor, der durch eine neue Härteanalyse die Berechnungskomplexität aufdeckt, eine alternative Disparitätsmessung über den Nutzenverlust einführt und durch eine zweigleisige Lösung sowohl theoretische Erkenntnisse als auch starke empirische Ergebnisse auf realen Datensätzen liefert.
Die Arbeit stellt CONE vor, ein hybrides Transformer-Modell, das durch eine neuartige Composite-Embedding-Methode Zahlen, Bereiche und Gauß-Verteilungen zusammen mit ihren Einheiten und Attributnamen semantisch korrekt kodiert und damit in umfangreichen Experimenten überlegene numerische Schlussfolgerungsfähigkeiten sowie signifikant bessere Ergebnisse als bisherige State-of-the-Art-Modelle erzielt.
Die vorgestellte Arbeit stellt die FFBtree vor, einen B+-Tree-Algorithmus, der durch präventives Aufteilen kritischer Knoten die Propagierung von Splits verhindert und damit extremen I/O-Schwankungen bei Einfügeoperationen in Datenbanksystemen eliminiert.
Die vorgestellte Arbeit stellt CSV (Clustering-Sampling-Voting) vor, ein neues Framework, das die Anzahl der LLM-Aufrufe für semantische Filterabfragen durch Clustering, Stichprobenziehung und Abstimmung sublinear reduziert und dabei die Genauigkeit im Vergleich zu bestehenden Methoden erheblich verbessert.
Die Arbeit stellt einen deterministischen, regelbasierten Workflow vor, der Rohdaten aus einer Datenbank für akademische Mitarbeiter verarbeitet, um kosten- und studentenspezifische Kennzahlen zu berechnen und diese durch eine interpretierbare Fuzzy-Banding-Methode in nachvollziehbare Kategorien einzuteilen.
Die Arbeit stellt FluxSieve vor, eine einheitliche Architektur, die durch die Einbettung einer leichtgewichtigen Vorverarbeitungs- und Filterungsschicht direkt in den Dateningestionspfad Streaming- und Analytik-Datenpläne vereint und damit bei vernachlässigbarem Speicher- und Rechenaufwand die Abfrageleistung in skalierbaren Cloud-Observability-Plattformen um Größenordnungen verbessert.
Die Arbeit stellt RESYSTANCE vor, ein System, das mithilfe von eBPF und io_uring den Software-Overhead bei der Compaktion in LSM-Bäumen reduziert, indem es I/O-Operationen direkt im Kernel ausführt, was zu einer drastischen Verringerung der Systemaufrufe und einer signifikanten Steigerung des Durchsatzes sowie einer Senkung der Latenz führt.
CRISP ist ein neuartiges Framework für die Approximate Nearest Neighbor-Suche in hochdimensionalen Räumen, das durch eine korrelationsbewusste adaptive Strategie, eine speichereffiziente CSR-Indexstruktur und einen mehrstufigen Dual-Mode-Query-Engine sowohl die Vorverarbeitungskosten minimiert als auch einen hohen Durchsatz bei geringem Speicherverbrauch gewährleistet.
Die Arbeit stellt Bala-Join vor, einen adaptiven Hash-Join für geo-verteilte SQL-Datenbanken, der durch einen neuen Algorithmus zur balancierten Partitionierung und partiellen Replikation sowie eine Echtzeit-Erkennung von schiefen Join-Schlüsseln die Leistung bei schiefen Daten im WAN um 25–61 % steigert.
Die Arbeit stellt O³-LSM vor, eine neue Architektur für LSM-basierte Key-Value-Stores in entkoppelten Speichersystemen, die durch dreistufiges Offloading (Memtable, Flush und Compaction) sowie optimierte Lese-Delegierung die Schreibleistung und Abfragegeschwindigkeit im Vergleich zu bestehenden Lösungen signifikant steigert.
Die Arbeit stellt das DEBISS-Korpus vor, eine Sammlung von gesprochenen und individuellen Debatten mit halbstrukturierten Merkmalen, die durch umfangreiche NLP-Annotationen wie Spracherkennung, Sprecherdiarisierung, Argumentmining und Debattantenbewertung ergänzt wird, um die Lücke im Bereich der Debattenkorpora zu schließen.
Die Arbeit stellt TigerVector vor, ein in TigerGraph v4.2 integriertes System, das durch die Erweiterung des Graph-Query-Sprachen GSQL und die Entwicklung eines MPP-Index-Frameworks eine effiziente, skalierbare Vektor-Suche innerhalb von Graph-Datenbanken ermöglicht und so die nahtlose Fusion von strukturierten und unstrukturierten Daten für fortschrittliche RAG-Anwendungen unterstützt.
Das Paper stellt LQRS vor, ein auf Spark SQL basierendes Framework für gelerntes Query-Re-Optimierung, das durch die Nutzung von Curriculum-Reinforcement-Learning und Echtzeit-Beobachtungen während der Ausführung die End-zu-End-Ausführungszeit im Vergleich zu bestehenden Methoden um bis zu 90 % reduziert.
Die Arbeit stellt SpotIt vor, einen neuen Evaluierungsansatz für Text-to-SQL, der mithilfe formaler Verifikation nach Datenbanken sucht, die generierte Abfragen von den Ground-Truth-Abfragen unterscheiden, und zeigt damit auf, dass herkömmliche testbasierte Methoden oft Unterschiede übersehen.