提出了一种名为 VerdictDB 的数据库不可知近似引擎，使用中间件体系结构，接管数据库中的分析查询并将其重写为另一个查询，从而可以在各种平台上使用，实现了高达 171 倍的加速（平均 18.45 倍），误差小于 2.6%。

Apr, 2018

在本研究中，我们介绍了 Hydro，它是一种以自适应查询处理（AQP）为特点的面向机器学习查询的数据库管理系统（DBMS），通过确保最佳谓词评估顺序和提高 UDF 执行的可伸缩性，能够快速评估基于 UDF 的查询谓词。通过集成 AQP，Hydro 不断监视 UDF 统计信息，以最佳顺序将数据路由到谓词，并动态分配资源来评估谓词。通过四个实例用例的演示，我们展示了 Hydro 相对于基准系统的高效性，提供了高达 11.52 倍的加速。

Mar, 2024

本文提出了一种基于 AQG（一种统一的图形文法）的端到端模型，由高级解码生成用于约束搜索空间的 AQG 和底级解码构造查询图，旨在优化查询图构建过程，提高在复杂 KGQA 基准测试中的表现。

Nov, 2021

本文提出了一种基于神经链接预测器的框架，用于在含有缺失边的知识图谱上高效地回答复杂查询，并分别分析了梯度下降和组合搜索两种最优化问题的解决方案。通过使用数个数量级较少的训练数据，相对于先前的方法获得了更高的交叉验证效果，在多个包含事实信息的知识图谱中，提高了 8% 到 40% 的 Hits@3 指标，并可以解释模型的结果。

Nov, 2020

我们提出了一个名为 Pro-QE 的查询感知提示融合框架，它可以通过上下文信息聚合来融合现有查询嵌入方法并处理新出现实体的嵌入问题。实验证明我们的模型成功地处理了逻辑查询中的未知实体问题。

Mar, 2024

本文提出了一种新方法，通过筛选不会被回答的问题来提高问答系统的效率，这基于一个有趣的新发现：基于最先进的问答系统的答案置信度分数可以用仅使用输入问题文本的模型很好地逼近，这使得非答案置信度分数低于系统阈值的问题可以进行预先拦截。

Sep, 2021

提出一种基于困惑度的图形构建和一种新的分层子查询评估算法来推广预期误差降低标准的潜力的方法，使得我们不浪费提供培训标签的人类专家的时间，从而构建高效的主管式和半监督物体分类器。

Apr, 2015

该研究提出一种新的采样技术，将主动学习方法与深度学习相结合，实现基于代理的建模在工程设计优化中的应用，并经过两个不同工程设计领域的实证评估，结果显示该新方法在样本选择方面比其他方法更准确。

Jun, 2022

本文提出了一种名为 GNN-QE 的神经符号模型，用于回答复杂的一阶逻辑查询，在解决神经方法推理难以解释的问题的同时，取得了较显著的实验成果。

May, 2022

本文提出了 Query-Enhanced Adaptive Semantic Path Reasoning (QASPR) 框架，同时捕捉知识图谱的结构和语义信息，以增强归纳式知识图谱完成任务。QASPR 通过使用查询依赖的掩蔽模块自适应地掩蔽噪声结构信息并保留与目标密切相关的重要信息。此外，QASPR 引入了一个全局语义评分模块，评估知识图谱中推理路径上节点的个体贡献和集体影响。实验结果表明，QASPR 实现了最先进的性能。

Jun, 2024