84 articoli
Il paper presenta NeurCC, un nuovo algoritmo di controllo della concorrenza basato sull'apprendimento automatico che, superando i limiti degli approcci tradizionali, ottimizza rapidamente le prestazioni su carichi di lavoro dinamici e diversificati tramite una funzione appresa e implementata come tabella di ricerca all'interno del database.
Il paper presenta OptBench, un ambiente di lavoro interattivo basato su DuckDB che consente a ricercatori e professionisti di costruire, confrontare e visualizzare in modo trasparente e standardizzato ottimizzatori di query per carichi di lavoro ibridi SQL e AI/ML.
Il paper introduce \texttt{EinSum}, una notazione tensor-relazionale che automatizza la scomposizione dei calcoli in Einstein per eseguire le parti computazionalmente intensive tramite kernel numerici ottimizzati e gestire la sparsità dei dati all'interno di sistemi relazionali.
Il paper presenta Nezha, un archivio distribuito chiave-valore che risolve le sovrapposizioni di I/O tra il protocollo di consenso Raft e i motori di storage integrando la separazione chiave-valore e una raccolta spazzatura a livelli, ottenendo così significativi miglioramenti nelle prestazioni di throughput mantenendo la coerenza forte.
Il paper presenta DataFactory, un framework collaborativo multi-agente che supera le limitazioni dei modelli linguistici esistenti nelle risposte a domande su tabelle, combinando un coordinatore ReAct, team specializzati per database e grafi della conoscenza, e strategie di ingegneria del contesto per ottenere significativi miglioramenti di accuratezza e riduzione delle allucinazioni su diversi benchmark.
Questo studio valuta l'efficacia pratica del tuning degli indici guidato dai LLM confrontandolo con il Database Tuning Advisor (DTA) di Microsoft, rivelando che, sebbene i LLM possano identificare configurazioni superiori in alcuni casi grazie a intuizioni umane, la loro adozione in produzione è attualmente limitata da una significativa variabilità delle prestazioni e da costi di validazione elevati.
Questo tutorial presentato all'ICDE 2026 esplora il ciclo virtuoso di reciproco potenziamento tra l'intelligenza artificiale e la ricerca vettoriale, analizzando come l'AI ottimizzi i sistemi di ricerca e come la ricerca vettoriale, in particolare attraverso il framework RAG, estenda le capacità dei modelli linguistici di grandi dimensioni.
Il paper presenta GeoBenchr, una suite di benchmarking open source e incentrata sulle applicazioni per valutare in modo completo le piattaforme di database spaziotemporali, colmando il divario tra le soluzioni esistenti e le esigenze reali di settori come il ciclismo, l'aviazione e il tracciamento marittimo.
Questo lavoro fa un passo verso la risoluzione della congettura sulla controllabilità finita delle regole a profondità di derivazione limitata, dimostrando che i modelli universali generati da tali regole non possono contenere tornei arbitrariamente grandi senza implicare una query ciclica.
Questo lavoro introduce il concetto di "stabilità locale" per valutare l'impatto di piccole variazioni nei valori degli elementi sul loro posizionamento nelle classifiche, proponendo algoritmi efficienti per approssimare tale misura e rilevare le regioni dense, pur dimostrando la complessità computazionale del problema generale.
Questo lavoro presenta un agente generativo neuro-simbolico che supera le allucinazioni fisiche dei modelli linguistici tradizionali validando autonomamente le assunzioni teoriche e completando i meccanismi fisici mancanti, come dimostrato nella simulazione coerente della pressurizzazione termica in arenaria a bassa permeabilità.
Questo studio presenta un'analisi sistematica e unificata della potenza espressiva del linguaggio PG-Keys per i grafi di proprietà, confrontandolo con GFD e GGD per stabilire una gerarchia rigorosa che chiarisce il suo ruolo nel futuro standard GQL.
Questo articolo dimostra che l'adozione di scritture fuori luogo (out-of-place) è fondamentale per massimizzare le prestazioni e prolungare la durata degli SSD nei sistemi di database, proponendo un redesign di LeanStore che riduce significativamente l'amplificazione delle scritture e migliora il throughput rispetto alle tradizionali scritture in luogo.
Il paper presenta WikiDBGraph, un nuovo benchmark su larga scala derivato da 100.000 database relazionali reali che evidenzia le limitazioni delle attuali tecniche di apprendimento collaborativo nel gestire silos di dati frammentati e non allineati, proponendo una valutazione più realistica dell'intero ciclo di gestione dei dati.
Il paper introduce MMTU, un nuovo benchmark su larga scala con oltre 28.000 domande su 25 compiti reali, progettato per valutare in modo completo le capacità di comprensione, ragionamento e manipolazione delle tabelle da parte dei modelli linguistici, rivelando che anche i modelli più avanzati attuali hanno ancora margini significativi di miglioramento in questo dominio.
Il paper introduce TableEG, un framework basato su modelli linguistici di grandi dimensioni e strategie di fine-tuning che genera errori sintetici autentici nei dati tabellari, colmando il divario tra dati reali e artificiali per fornire un benchmark robusto e affidabile per la valutazione delle tecniche di rilevamento e correzione degli errori.
Il paper propone SDFed, un framework di apprendimento federato eterogeneo che risolve le discrepanze locali-globali nell'adattamento dei modelli visione-linguaggio consentendo prompt locali a lunghezza variabile e introducendo tecniche di raffinamento del sottospazio e controllo della divergenza per migliorare le prestazioni in ambienti con dati e risorse disomogenei.
Il paper introduce PAG, un nuovo framework per la ricerca approssimata dei vicini più prossimi che integra tecniche di proiezione in un indice grafico per soddisfare simultaneamente le esigenze moderne di efficienza, velocità di indicizzazione, basso consumo di memoria e scalabilità, superando le prestazioni di HNSW.
Questo articolo introduce la Quinta Forma Normale dei Grafi (5GNF), un framework basato su "trait" che normalizza i metadati nei grafi di proprietà trasformando gli attributi ricorrenti in nodi condivisi per ridurre la ridondanza, migliorare la coerenza semantica e semplificare le query, come dimostrato dall'implementazione e valutazione su Neo4j con il dataset Northwind.
Questo studio dimostra che la sparsificazione dei grafi, utilizzata come pre-elaborazione leggera, può accelerare significativamente l'addestramento e l'inferenza delle reti neurali su grafi (GNN) su larga scala mantenendo o addirittura migliorando l'accuratezza nei compiti di classificazione dei nodi.