85 articles
Ce papier propose R4-CGQA, un cadre à deux flux basé sur la récupération qui améliore l'évaluation de la qualité des images de graphisme informatique par les modèles vision-langage en s'appuyant sur un nouveau jeu de données annoté et des descriptions visuellement similaires pour fournir des jugements précis et explicables.
Cet article présente un cadre novateur permettant aux agents autonomes pilotés par des LLM d'améliorer leurs performances futures en extrayant automatiquement des enseignements structurés de leurs trajectoires d'exécution pour les intégrer dynamiquement dans leur contexte via une mémoire adaptative.
Ce papier présente ExBI, un nouveau système d'intelligence d'affaires exploratoire basé sur un modèle de données hypergraphe et des algorithmes d'échantillonnage, qui surpasse significativement les systèmes traditionnels en termes de vitesse et de réutilisabilité tout en maintenant une grande précision analytique.
Le papier présente EvoSchema, une nouvelle benchmark et une taxonomie d'évolution de schéma conçues pour évaluer et améliorer la robustesse des modèles Text-to-SQL face aux changements dynamiques des bases de données, révélant notamment l'impact critique des modifications au niveau des tables.
Le papier présente Pneuma-Seeker, un système qui aligne les agents d'IA sur les besoins humains en matière de données relationnelles en représentant l'intention de l'utilisateur sous forme de schéma relationnel évolutif et en l'affinant itérativement pour générer des réponses précises et inspectables, surpassant ainsi les approches basées sur les LLM traditionnels.
Cet article propose une représentation généralisée de datacubes sous forme d'arbres compressés au sein du framework Polytope, permettant une extraction de caractéristiques efficace et flexible pour des données terrestres complexes, irrégulières et hiérarchiques que les modèles traditionnels peinent à gérer.
Cet article présente un algorithme presque instance-optimal pour l'échantillonnage de Poisson sur des jointures acycliques, qui combine un index d'accès aléatoire et une sonde pour surpasser les méthodes classiques tout en offrant une base unifiée pour le traitement des jointures et l'échantillonnage dans les moteurs de requêtes.
Ce papier présente HCT-QA, un nouveau benchmark complet pour l'évaluation des modèles de question-réponse sur des tableaux centrés sur l'humain (HCT) aux structures complexes, incluant un vaste ensemble de données réelles et synthétiques ainsi que des résultats d'expérimentation démontrant l'efficacité du fine-tuning.
Ce papier présente KramaBench, un benchmark composé de 104 défis réels sur des lacs de données, qui révèle que les systèmes d'IA actuels, bien que capables de générer des pipelines plausibles, échouent encore majoritairement à produire des pipelines de bout en bout fonctionnels, n'atteignant qu'une précision de 55 % dans ce contexte complexe.
Ce papier introduit de nouvelles métriques pour évaluer les agents LLM dans le contexte du « Text-to-Big SQL », démontrant que les mesures traditionnelles de Text-to-SQL sont insuffisantes pour capturer les impacts réels de l'échelle des données sur les coûts, la latence et l'efficacité d'exécution.
Le système SLER présente une approche évolutive pour la découverte de règles de réécriture de requêtes en combinant l'énumération de modèles standardisés et un apprentissage par classement, permettant de générer une bibliothèque de plus d'un million de règles et de gérer des plans de requêtes complexes jusqu'à une profondeur de niveau canal.
Cet article propose un cadre formel, ainsi qu'une architecture et des algorithmes, pour construire et maintenir de manière incrémentale une vue RDB2RDF matérialisée, permettant ainsi d'intégrer et d'accéder sémantiquement aux sources de données relationnelles héritées au sein des graphes de connaissances d'entreprise.
Ce papier présente NGDBench, un benchmark unifié évaluant les capacités des modèles neuronaux à gérer des bases de données graphiques via le langage Cypher complet, révélant ainsi les limites actuelles des LLMs et des méthodes RAG dans le raisonnement structuré.
Cet article examine comment l'avancement rapide de l'IA, notamment les modèles de fondation, transforme l'interaction humain-données en introduisant de nouveaux défis liés à l'incertitude et à l'échelle, et propose de redéfinir les paradigmes d'interaction en intégrant des principes cognitifs et perceptuels pour bâtir des systèmes d'analyse de données centrés sur l'humain.
Ce papier présente et évalue expérimentalement plusieurs variantes d'arbres B optimisées pour l'indexation efficace sur des dispositifs embarqués à mémoire limitée, démontrant l'avantage significatif des optimisations spécifiques au stockage flash dans le contexte de l'Internet des Objets.
Cet article propose un cadre formel et des algorithmes efficaces pour détecter et atténuer les biais intentionnels introduits par des sources de données en conflit d'intérêts avec leurs utilisateurs, permettant ainsi d'extraire des informations pertinentes malgré ces manipulations.
Le papier présente OMEGA, une méthode de recherche apprise généralisable à n'importe quel K qui, en s'entraînant uniquement sur K=1 et en utilisant un raffinement dynamique, surpasse les méthodes existantes en termes de latence et de temps de prétraitement tout en maintenant une haute précision pour des requêtes multi-K.
Cet article propose et évalue de nouvelles heuristiques, notamment une approche gourmande équitable et des algorithmes de recherche locale, pour résoudre le problème NP-difficile de minimisation des regrets spécifiques aux tags dans la publicité extérieure, en optimisant l'allocation des budgets et de la demande d'influence sur des données réelles.
Cet article présente un jeu de données numérique open source et reproductible pour le suivi de l'intégrité structurelle, générant des mesures dynamiques et statiques simulées sur une poutre en acier afin d'inclure des variations environnementales, des dommages et des bruits, offrant ainsi une ressource précieuse pour valider de nouvelles stratégies de détection de dommages.
Cet article présente xBound, un cadre théorique novateur calculant des bornes inférieures prouvables pour les tailles de jointures afin de corriger les sous-estimations critiques des estimateurs de cardinalité dans les systèmes de base de données industriels, démontrant ainsi des gains de performance significatifs sur la plateforme Fabric DW de Microsoft.