論文の概要: In-Machine-Learning Database: Reimagining Deep Learning with Old-School SQL

• arxiv url: http://arxiv.org/abs/2004.05366v2
• Date: Tue, 14 Apr 2020 18:08:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 10:16:07.501977
• Title: In-Machine-Learning Database: Reimagining Deep Learning with Old-School SQL
• Title（参考訳）: In-Machine-Learning Database:Old-School SQLによるディープラーニングの再構築
• Authors: Len Du
• Abstract要約: この研究では、学習に平易な oldsql を適用することで「はい」と言う。 私たちは、一般的なディープラーニング操作を insql で表現する方法を見つけました。 この作業が、データベース分野における既存の知恵の大きなボディを活用する、さらなる作業を促すことを願っています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In-database machine learning has been very popular, almost being a cliche. However, can we do it the other way around? In this work, we say "yes" by applying plain old SQL to deep learning, in a sense implementing deep learning algorithms with SQL. Most deep learning frameworks, as well as generic machine learning ones, share a de facto standard of multidimensional array operations, underneath fancier infrastructure such as automatic differentiation. As SQL tables can be regarded as generalisations of (multi-dimensional) arrays, we have found a way to express common deep learning operations in SQL, encouraging a different way of thinking and thus potentially novel models. In particular, one of the latest trend in deep learning was the introduction of sparsity in the name of graph convolutional networks, whereas we take sparsity almost for granted in the database world. As both databases and machine learning involve transformation of datasets, we hope this work can inspire further works utilizing the large body of existing wisdom, algorithms and technologies in the database field to advance the state of the art in machine learning, rather than merely integerating machine learning into databases.
• Abstract（参考訳）: データベース内の機械学習は非常に人気があり、ほとんどクリケットである。 しかし、その逆はできるだろうか? この研究では、SQLでディープラーニングアルゴリズムを実装するという意味で、平易な古いSQLをディープラーニングに適用することで、"はい"と言います。 ほとんどのディープラーニングフレームワークと一般的な機械学習フレームワークは、自動微分などのファンシエインフラストラクチャの下で、多次元配列操作のデファクトスタンダードを共有している。 SQLテーブルは(多次元)配列の一般化と見なすことができるため、SQLで一般的なディープラーニング操作を表現し、異なる考え方を奨励し、新しいモデルの可能性を見出した。 特に、ディープラーニングの最新トレンドの1つは、グラフ畳み込みネットワーク(graph convolutional networks)の名前にスパーシティを導入することだった。 データベースと機械学習の両方がデータセットの変換に関与しているため、この研究が、機械学習を単にデータベースに整数化するのではなく、データベース分野における既存の知恵、アルゴリズム、テクノロジーの大規模なボディを活用して、機械学習における最先端の最先端を推し進めることを願っている。

関連論文リスト

• Deep Learning and Machine Learning, Advancing Big Data Analytics and Management: Handy Appetizer [16.957968437298124]
  本では、ビッグデータ分析と管理の進歩を促進する上で、人工知能(AI)、機械学習(ML)、ディープラーニング(DL)の役割について論じている。 ニューラルネットワークと、畳み込みニューラルネットワーク(CNN)のような技術がどのように機能するかを理解するのに役立つ、直感的な視覚化と実践的なケーススタディを提供する。
  論文  参考訳（メタデータ） (2024-09-25T17:31:45Z)
• 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)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• UNITE: A Unified Benchmark for Text-to-SQL Evaluation [72.72040379293718]
  テキスト・ツー・ドメイン・システムのためのUNIfiedベンチマークを導入する。 公開されているテキストからドメインへのデータセットと29Kデータベースで構成されている。 広く使われているSpiderベンチマークと比較すると、SQLパターンの3倍の増加が紹介されている。
  論文  参考訳（メタデータ） (2023-05-25T17:19:52Z)
• A Survey on Text-to-SQL Parsing: Concepts, Methods, and Future Directions [102.8606542189429]
  テキストからコーパスへのパースの目的は、自然言語(NL)質問をデータベースが提供するエビデンスに基づいて、対応する構造化クエリ言語()に変換することである。 ディープニューラルネットワークは、入力NL質問から出力クエリへのマッピング関数を自動的に学習するニューラルジェネレーションモデルによって、このタスクを大幅に進歩させた。
  論文  参考訳（メタデータ） (2022-08-29T14:24:13Z)
• Deep Learning Driven Natural Languages Text to SQL Query Conversion: A Survey [2.309914459672557]
  本稿では,近年研究されている24のニューラルネットワークモデルについて概観する。 TEXT2技術のモデルのトレーニングに広く使用されている11のデータセットの概要も紹介する。
  論文  参考訳（メタデータ） (2022-08-08T20:54:34Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• ValueNet: A Natural Language-to-SQL System that Learns from Database Information [4.788755317132195]
  データベースの自然言語インターフェースの構築は、長年にわたる課題だった。 最近の研究は、スパイダーのような複雑なデータセットにこの課題に取り組むニューラルネットワークに焦点を当てている。 そこで本研究では,この課題を生かした2つのNL-to-endシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-29T15:43:39Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。