Fugu-MT 論文翻訳(概要): The CTU Prague Relational Learning Repository

論文の概要: The CTU Prague Relational Learning Repository

arxiv url: http://arxiv.org/abs/1511.03086v2
Date: Mon, 11 Mar 2024 17:09:24 GMT
ステータス: 処理完了
システム内更新日: 2024-03-17 17:28:01.829191
Title: The CTU Prague Relational Learning Repository
Title（参考訳）: CTUプラハ関係学習リポジトリ
Authors: Jan Motl, Oliver Schulte,
Abstract要約: Prague Repositoryの目的は、マルチリレーショナルデータによる機械学習研究を支援することである。サーバは、機械学習コミュニティをサポートするために、getMLによって提供される。
参考スコア（独自算出の注目度）: 11.8184773979109
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The aim of the Prague Relational Learning Repository is to support machine learning research with multi-relational data. The repository currently contains 148 SQL databases hosted on a public MySQL server located at \url{https://relational-data.org}. The server is provided by getML to support the relational machine learning community (\url{www.getml.com}). A searchable meta-database provides metadata (e.g., the number of tables in the database, the number of rows and columns in the tables, the number of self-relationships).
Abstract（参考訳）: Prague Relational Learning Repositoryの目的は、マルチリレーショナルデータによる機械学習研究を支援することである。現在、リポジトリには、公開MySQLサーバ上にホストされている148のSQLデータベースが、 \url{https://relational-data.org}にある。サーバは、リレーショナル機械学習コミュニティ(\url{www.getml.com})をサポートするためにgetMLによって提供される。検索可能なメタデータデータベースはメタデータを提供する(例えば、データベース内のテーブルの数、テーブル内の行数、列数、自己関係の数)。

関連論文リスト

Table Question Answering for Low-resourced Indic Languages [71.57359949962678]
TableQAは構造化された情報のテーブル上で質問に答え、個々のセルやテーブルを出力として返すタスクである。予算が限られている低リソース言語を対象とした,完全自動大規模テーブルQAデータ生成プロセスを提案する。表QAデータセットやモデルを持たない2つのIndic言語であるBengaliとHindiにデータ生成手法を組み込む。
論文参考訳（メタデータ） (2024-10-04T16:26:12Z)
RelBench: A Benchmark for Deep Learning on Relational Databases [78.52438155603781]
本稿では,グラフニューラルネットワークを用いたデータベース上でタスクを解くための公開ベンチマークであるRelBenchを紹介する。私たちはRelBenchを使って、ディープラーニングインフラストラクチャに関する初の総合的な研究を行っています。 RDLは、人間の作業量を1桁以上削減しながら、より良く学習する。
論文参考訳（メタデータ） (2024-07-29T14:46:13Z)
Relational Database Augmented Large Language Model [59.38841050766026]
大規模言語モデル(LLM)は多くの自然言語処理(NLP)タスクに優れる。彼らは、トレーニングや教師付き微調整プロセスを通じてのみ、新しい知識を取り入れることができる。この正確で最新のプライベート情報は、通常リレーショナルデータベースに格納される。
論文参考訳（メタデータ） (2024-07-21T06:19:10Z)
RB-SQL: A Retrieval-based LLM Framework for Text-to-SQL [48.516004807486745]
文脈内学習を伴う大規模言語モデル(LLM)は、テキスト・ツー・タスクの性能を大幅に改善した。 In-context prompt Engineering のための新しい検索ベースフレームワーク RB- を提案する。実験により,我々のモデルは,公開データセットのBIRDとSpiderの競合ベースラインよりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2024-07-11T08:19:58Z)
Relational Deep Learning: Graph Representation Learning on Relational Databases [69.7008152388055]
複数のテーブルにまたがって配置されたデータを学ぶために、エンドツーエンドの表現アプローチを導入する。メッセージパッシンググラフニューラルネットワークは、自動的にグラフを学習して、すべてのデータ入力を活用する表現を抽出する。
論文参考訳（メタデータ） (2023-12-07T18:51:41Z)
GitTables: A Large-Scale Corpus of Relational Tables [3.1218214157681277]
GitHubから抽出された100万のリレーショナルテーブルのコーパスであるGitTablesを紹介します。 GitTablesの分析によると、その構造、コンテンツ、トピックのカバレッジは既存のテーブルコーパスと大きく異なる。我々はGitTablesの3つのアプリケーションを紹介し、学習したセマンティック型検出モデル、補完方法、テーブル-ツー-KGマッチング、データ検索、準備のためのベンチマークについてその価値を示す。
論文参考訳（メタデータ） (2021-06-14T09:22:09Z)
BERT Meets Relational DB: Contextual Representations of Relational Databases [4.029818252558553]
複数のテーブルからなる関係データベース上でエンティティの低次元表現を学習する問題に対処する。これらの注意に基づくモデルを使用して、リレーショナルデータベース内のエンティティの埋め込みを学ぶ方法を検討します。
論文参考訳（メタデータ） (2021-04-30T11:23:26Z)
A Graph Representation of Semi-structured Data for Web Question Answering [96.46484690047491]
本稿では、半構造化データとそれらの関係の構成要素の体系的分類に基づいて、Webテーブルとリストのグラフ表現を提案する。本手法は,最先端のベースラインに対してF1スコアを3.90ポイント向上させる。
論文参考訳（メタデータ） (2020-10-14T04:01:54Z)
TableQnA: Answering List Intent Queries With Web Tables [12.941073798838167]
我々は、HTMLテーブルでクエリの2つのクラスに答えることに集中する。既存のアプローチでは、候補者から回答を選択するために機械学習モデルを訓練している。構造認識マッチングを計算し、機械学習モデルを訓練する新機能を開発した。
論文参考訳（メタデータ） (2020-01-10T01:43:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。