87 Arbeiten
Die Arbeit stellt PANDAExpress vor, einen vereinfachten und schnelleren Algorithmus, der durch eine neue probabilistische Ungleichung und ein dynamisches Hyperplane-Cut-Splitting-Verfahren den bisher unpraktischen polylogarithmischen Faktor der Laufzeit des ursprünglichen PANDA-Algorithmus eliminiert und dabei dessen Allgemeingültigkeit für konjunktive Abfragen und disjunktive Datalog-Regeln unter beliebigen Gradbeschränkungen bewahrt.
Die Arbeit stellt den neuen Algorithmus HIT-Leiden vor, der durch die Aufrechterhaltung hierarchischer Strukturen und verbundener Komponenten die effiziente Aktualisierung von Leiden-Communities in großen dynamischen Graphen ermöglicht und dabei im Vergleich zu bestehenden Lösungen Geschwindigkeitssteigerungen von bis zu fünf Größenordnungen bei gleicher Qualität erzielt.
Die Arbeit stellt „Local Shapley" vor, ein Framework, das die inhärente Lokalität moderner Modelle nutzt, um die Shapley-Wert-Berechnung von einer exponentiell komplexen globalen Aufgabe auf effiziente, modellinduzierte Teilmenge-Prozesse zu reduzieren, und führt dabei den optimalen Algorithmus LSMR sowie dessen Monte-Carlo-Erweiterung LSMR-A ein, die die Anzahl notwendiger Neutraining-Schritte drastisch verringern, ohne die Genauigkeit zu beeinträchtigen.
Das Paper stellt ErrorLLM vor, ein Framework, das durch die explizite Modellierung von SQL-Fehlern mittels dedizierter Fehler-Token und struktureller Merkmale die Erkennung und Korrektur von syntaktischen sowie semantischen Fehlern in Text-to-SQL-Anfragen verbessert.
Dieser Artikel beleuchtet die Herausforderungen und Lösungsansätze für die effiziente Orchestrierung von KI- und Datenbank-Workloads, indem er eine integrierte Architektur vorschlägt, die Performance, Sicherheit und Datenintegrität in heterogenen Systemen verbessert.
Die Arbeit stellt RDB-PFN vor, das erste relationale Basis-Modell, das ausschließlich durch synthetische Daten generiert mittels eines relationalen Prior-Generators trainiert wurde und dadurch in der Lage ist, durch In-Context-Learning sofort auf neue Datenbanken zu adaptieren und dabei reale Few-Shot-Aufgaben zu lösen.
Die Autoren stellen SpotIt+ vor, ein Open-Source-Tool zur Evaluierung von Text-to-SQL-Systemen, das durch die Kombination von regelbasiertem Constraint-Mining und LLM-Validierung realistische Datenbankinstanzen generiert, um effektiv Unterschiede zwischen generierten und Gold-SQL-Abfragen aufzudecken, die bei herkömmlichen Testverfahren unentdeckt bleiben.