鸭子的大脑:现代数据库引擎中的神经网络训练和推断
该研究针对深度神经网络在社交网络分析等结构化领域表现不佳的问题,提出了一种新方法,即基于关系随机游走的特征和参数共享的关系神经网络。实验证明,该方法在多个标准关系数据集上的表现优于多种神经网络和统计关系模型。
Aug, 2019
关系数据库中的数据存储方式使得使用机器学习模型变得具有挑战性和耗时,通过引入关系深度学习(RDL)方法,我们可以直接学习跨多个表格布置的数据,而无需进行手动特征工程。关系深度学习通过自动学习图引导,从而提取利用所有输入数据的表示,从而构建更准确的模型且速度更快。
Dec, 2023
为满足商业和科学领域对关系数据中深度学习模型的需求,本论文系统地探索了代表性架构,并强调了 DL-centric、UDF-centric 和 relation-centric 三种关键范式及其之间的整合需求和潜力,提出了建立新型数据库系统以支持大规模数据密集型深度学习应用的路径。
Oct, 2023
本研究考虑将自然语言转换成 SQL,用于关系数据库的数据检索。我们提出了一种新的编码 - 解码框架,包括新的语义特征和语法感知状态等新方法。实证评估结果表明,我们的方法在真实世界的数据库和查询上明显优于现有技术。
Nov, 2017
我们提出了一种模块化架构来支持处理数据库查询,并在 WikiNLDB 数据集上进行了评估,结果表明我们的方法可以扩展到包含数千个事实的数据库,并将整体答案准确率从 85%提高到 90%。
Jun, 2021
本研究探讨了在深度学习中通过将关系和感觉信息分隔,以及引入归纳偏差来改善系统的推理性能,并提出了基于相似性分数的简单架构 -- Compositional Relational Network (CoRelNet), 增强了模型的鲁棒性,提高了关系计算的分布外泛化能力。
Jun, 2022
使用 LEADS 技术,通过 SQL 查询定制模型,提高关系数据库上的预测建模能力和推断效率,并通过 INDICES 系统实现高效的结构化数据分析。
May, 2024
本文研究了使用自然语言作为桥梁,通过有效访问数据库创建一个高效的文本到 SQL 模型,重点探讨了 24 个不同神经网络模型以及 11 个常用数据集的特点和局限性,最终讨论了 Text2SQL 技术在实现无缝数据查询方面的可能性。
Aug, 2022
本文提出了一种新方法 TypeSQL,通过将问题转换为插槽填充任务,并利用类型信息来更好地理解自然语言问题中的稀有实体和数字,从而实现了通过自然语言与关系型数据库进行交互。在 WikiSQL 数据集上测试该方法,比现有技术提高了 5.5%的性能。同时,利用数据库内容进行访问可以显著提高用户查询的性能,TypeSQL 的准确度为 82.6%,相对于之前的内容敏感模型提高了 17.5%。
Apr, 2018