84 articles
Ce papier présente NeurCC, un nouvel algorithme de contrôle de concurrence appris qui, grâce à une fonction optimisée par recherche bayésienne et réduction de graphe, surpasse systématiquement les méthodes de l'état de l'art en termes de débit transactionnel et de rapidité d'adaptation face à des charges de travail variées et dynamiques.
OptBench est une plateforme interactive unifiée permettant de construire, comparer et visualiser de manière transparente des optimiseurs de requêtes pour des charges de travail hybrides combinant SQL et intelligence artificielle/apprentissage automatique.
Cet article présente \texttt{EinSum}, une extension de la notation d'Einstein pour les calculs tensoriels relationnels, permettant de réécrire automatiquement les calculs afin d'exécuter les parties intensives via des noyaux numériques optimisés tout en gérant la grande sparsité des données par des systèmes relationnels.
Le papier présente Nezha, un système de stockage distribué qui intègre la séparation clé-valeur avec le protocole Raft pour éliminer les surcharges d'E/S liées aux opérations de persistance redondantes et ainsi améliorer considérablement le débit tout en garantissant une forte cohérence.
Le papier présente DataFactory, un cadre collaboratif multi-agents qui surpasse les approches LLM existantes pour le questionnement sur les tableaux en combinant une orchestration de raisonnement, une transformation automatique des données en graphes de connaissances et une délibération flexible entre agents spécialisés pour améliorer la précision et réduire les hallucinations.
Cette étude évalue l'efficacité pratique du réglage d'index piloté par les grands modèles de langage (LLM) en le comparant à l'outil DTA de Microsoft, révélant que bien que les LLM puissent identifier des configurations supérieures dans certains cas, leur adoption en production reste limitée par une forte variabilité des performances et des coûts de validation élevés.
Ce tutoriel publié à ICDE 2026 présente une vue d'ensemble complète de la synergie croissante entre l'IA et la recherche vectorielle, en explorant comment l'IA optimise les systèmes de recherche (AI4VS) et comment la recherche vectorielle, notamment via les frameworks RAG, améliore les capacités des modèles de langage (VS4AI) dans un cycle vertueux de co-optimisation.
Ce papier présente GeoBenchr, une suite de benchmarking open-source centrée sur les applications, conçue pour évaluer de manière complète les plateformes de bases de données spatiotemporelles face à des cas d'usage réalistes et à des charges de travail variées.
Ce papier fait avancer la conjecture de la contrôlabilité finie pour les ensembles de règles à profondeur de dérivation bornée en démontrant que leurs modèles universels ne peuvent contenir de tournois arbitrairement grands sans entraîner une requête de boucle.
Cet article propose une nouvelle mesure de stabilité locale pour les classements, capable de tenir compte des régions denses d'items similaires, et présente des algorithmes efficaces pour approximer cette métrique et détecter ces régions, tout en fournissant des garanties théoriques et des validations expérimentales.
Cet article présente un agent génératif neuro-symbolique capable de détecter et de corriger les hypothèses physiques implicites dans la littérature scientifique, évitant ainsi les hallucinations physiques en complétant autonomement les mécanismes manquants pour assurer la cohérence des simulations, comme démontré par la modélisation correcte de la pressurisation thermique dans le grès.
Cet article présente la première étude systématique de la puissance expressive du langage PG-Keys par rapport aux dépendances fonctionnelles et génératives sur les graphes, établissant une hiérarchie stricte de leurs capacités au sein d'un cadre unifié pour éclairer la révision future de la norme GQL.
Cette étude démontre que l'adoption d'écritures hors lieu dans les systèmes de bases de données, illustrée par la refonte de LeanStore, est essentielle pour réduire l'amplification d'écriture, améliorer les performances et prolonger la durée de vie des SSD, tout en supportant des interfaces modernes comme ZNS et FDP.
Ce papier présente WikiDBGraph, une nouvelle suite de benchmark à grande échelle construite à partir de 100 000 bases de données réelles interconnectées, conçue pour évaluer les limites des méthodes d'apprentissage collaboratif face aux défis réels de gestion des silos de données fragmentés et non alignés.
Ce papier présente MMTU, un benchmark à grande échelle comprenant plus de 28 000 questions sur 25 tâches réelles, conçu pour évaluer de manière exhaustive les capacités des modèles de langage à comprendre, raisonner et manipuler des données tabulaires au niveau expert, révélant ainsi des lacunes significatives même chez les modèles les plus avancés.
Ce papier présente TableEG, un cadre exploitant des modèles de langage de grande taille pour générer des erreurs authentiques dans des données tabulaires, comblant ainsi le fossé entre les erreurs synthétiques et réelles afin d'établir un benchmark robuste pour l'évaluation des techniques de nettoyage de données.
Le papier présente SDFed, un cadre d'apprentissage fédéré hétérogène pour les modèles vision-langage qui résout les disparités locales-globales en permettant des prompts locaux de longueur variable tout en maintenant un prompt global fixe, grâce à une raffinement de sous-espace et un contrôle de divergence pour améliorer la performance et la robustesse.
Ce papier présente PAG, un nouveau cadre de recherche de voisins les plus proches approximatifs qui intègre des techniques de projection dans un index graphique pour répondre simultanément aux exigences de performance, de mémoire et d'évolutivité des applications d'IA modernes, surpassant ainsi HNSW en vitesse de requête tout en conservant une précision élevée.
Ce papier propose la Cinquième Forme Normale des Graphes (5GNF), un cadre de normalisation basé sur les traits qui externalise les métadonnées redondantes dans des nœuds de traits partagés pour améliorer la clarté sémantique et la maintenabilité des modèles de graphes de propriétés.
Cette étude démontre que la sparsification de graphes, en réduisant le nombre d'arêtes, constitue une étape de prétraitement légère et efficace qui accélère considérablement l'entraînement et l'inférence des réseaux de neurones graphiques (GNN) à grande échelle tout en préservant, voire en améliorant, leur précision.