大型语言模型调试器（LDB）是一个新颖的调试框架，它使得大型语言模型能够利用运行时执行信息改进生成的程序。

Feb, 2024

通过引入 ML Benchmark For Relational Databases (RDBench) 标准化基准测试，旨在促进多表关系数据库上可复现的机器学习研究，RDBench 为不同的机器学习领域提供多样的关系数据库数据集，使得从 XGBoost 到图神经网络等不同领域的 ML 方法可以进行有意义的比较和评估。

Oct, 2023

BayesDB 是一种概率编程平台，通过 BQL，它使用一类多元概率模型回答查询以平均隐含的概率模型空间，实现在不损失数学严谨和推论质量的前提下，使统计推论广泛适用于非统计学家。

Dec, 2015

本研究提出 XMD：一种针对语言模型错误偏见的开源、端到端模型解释和调试框架。该框架可在线反馈用户的反馈，从而优化模型表现，提高其在文本分类任务中的 OOD 性能高达 18％。

Oct, 2022

通过将多表数据集转化为图形并利用有效的子采样策略保留表格特性，以及输出基于这些输入子图的预测的具有相匹配归纳偏差的可训练模型，该研究试图解决关于关系型数据库 (RDBs) 的预测模型发展方面存在的问题，并提供了一个包含多尺度 RDB 数据集以及一致的预测任务的基准集，通过一个名为 4DBInfer 的统一可扩展开源工具箱来探索这些问题的 4 个方面。

Apr, 2024

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

本文提出以数据驱动的方法来替代常规的以工作负荷为驱动的方式，通过机器学习模型来捕捉行为，并展示数据驱动模型不仅可以提供更好的准确性，而且还能更好的适应未知查询。

Sep, 2019

本研究提出了一种新的数据库系统 Multi-Modal Databases（MMDBs），该系统能够使用 SQL 无缝查询文本和表格数据，并通过使用基于最近大型语言模型（如 GPT-3）的所谓多模式运算符（MMOps）扩展关系数据库以实现对文本数据的无缝查询。

Apr, 2023

本文提出了一种新的框架，即多模态神经数据库（MMNDBs），用于回答涉及不同输入模式（如文本和图像）的复杂类似数据库的查询，通过多媒体信息检索和多模态深度学习技术的结合，MMNDBs 能够处理来自不同模式的非结构化数据，为该领域的未来研究铺平了道路。

May, 2023

LLMDB 是一种通过应用机器学习和大型语言模型优化数据管理问题的范例，具有高泛化能力和推理能力，可避免幻觉问题，并通过引入特定领域的知识、矢量数据库和 LLM 代理来提高准确性，其中三个真实场景包括查询重写、数据库诊断和数据分析。

Feb, 2024