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

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

本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

Apr, 2022

关系数据库中缺乏专门为多表设置设计的机器学习模型，因此提出了一种名为 GFS 的图形特征合成框架，它以异质图的形式构建关系数据库，通过充分利用单表模型的归纳偏差，成功捕捉了每个表中的错综复杂关系，并消除了手动特征工程的需求，实验证明 GFS 在四个真实的多表关系数据库上具有出色的性能。

Dec, 2023

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

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

本论文提出了一种能够在关系型数据库上高效训练的新型神经模型 SPARE，通过利用关系型数据库的其他结构，实现了一次性训练，提高了训练和推理速度，并在预测性能上与多种基准模型相竞争。

Oct, 2023

评估多模态大型语言模型（MLLMs）的性能，集成点云和语言，面临重大挑战。缺乏全面评估阻碍确定这些模型是否真正代表进步，从而妨碍该领域的进一步发展。我们引入了可扩展的 3D 基准测试和大规模指令调整数据集 3DBench，提供了一个全面评估 MLLMs 的可扩展平台，以解决这些问题。该基准测试覆盖了从物体级到场景级的广泛空间和语义范围，涉及感知和规划任务，并且我们提出了一个严格的流程来自动生成可扩展的 3D 指令调整数据集，总共涵盖了 10 个多模态任务，共生成了超过 23 万个问答对。通过对热门 MLLMs 的彻底实验评估、与现有数据集的比较以及训练方案的变异，我们展示了 3DBench 的优越性，为当前的局限性和潜在研究方向提供了有价值的见解。

Apr, 2024

MDB 是一个与功能编程和关系代数相结合的调试框架，可以构建数据库和模型预测的表达式查询，用于快速排除错误和发现模型行为。

Aug, 2023

本文研究了标准机器学习中现成的表格式基准数据集存在的问题，并引入了 TabReD 数据集以填补学术基准数据集的不足之处，以此评估不同 ML 模型在时间演化的数据环境中的表现。结果表明，基于时间的数据划分与学术基准数据集中的随机划分会导致不同的方法排名，MLP 类的架构和 GBDT 模型在 TabReD 数据集上展现出最佳结果，而更复杂的深度学习模型还需进一步证明其有效性。

Jun, 2024