論文の概要: Automatic Recommendations for Evolving Relational Databases Schema

• arxiv url: http://arxiv.org/abs/2404.08525v1
• Date: Fri, 12 Apr 2024 15:14:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 14:37:30.592542
• Title: Automatic Recommendations for Evolving Relational Databases Schema
• Title（参考訳）: 関係データベーススキーマの進化のための自動レコメンデーション
• Authors: Anne Etien, Nicolas Anquetil,
• Abstract要約: 本稿では,データベーススキーマに対する変更計画の影響を計算するメタモデルを提案する。 データベースの詳細な知識がなければ、専門家のデータベースアーキテクトよりも75%少ない時間で同じ変更を実行できることが示されます。
• 参考スコア（独自算出の注目度）: 0.7412445894287709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relational databases play a central role in many information systems. Their schema contains structural (e.g. tables and columns) and behavioral (e.g. stored procedures or views) entity descriptions. Then, just like for ``normal'' software, changes in legislation, offered functionalities, or functional contexts, impose to evolve databases and their schemas. But in some scenarios, it is not so easy to deconstruct a wished evolution of the schema into a precise sequence of operations. Changing a database schema may impose manually dropping and recreating dependent entities, or manually searching for dependencies in stored procedures. This is important because getting even the order of application of the operators can be difficult and have profound consequences. This meta-model allows us to compute the impact of planned changes and recommend additional changes that will ensure that the RDBMS constraints are always verified. The recommendations can then be compiled into a valid SQL patch actually updating the database schema in an orderly way. We replicated a past evolution showing that, without detailed knowledge of the database, we could perform the same change in 75\% less time than the expert database architect. We also exemplify the use of our approach on other planned changes.
• Abstract（参考訳）: 関係データベースは多くの情報システムにおいて中心的な役割を果たす。 スキーマには構造的(例えばテーブルや列)と行動的(例えばストアドプロシージャやビュー)エンティティ記述が含まれている。 そして、‘通常の’ソフトウェアと同じように、法律の変更、機能、あるいは機能コンテキストを提供し、データベースとスキーマの進化を強制します。 しかし、いくつかのシナリオでは、スキーマの望まれる進化を正確な操作列に分解するのは容易ではない。 データベーススキーマの変更は、依存するエンティティを手動でドロップして再生成することや、ストアドプロシージャ内の依存関係を手動で検索することを強制する。 演算子の適用順序さえも困難であり、重大な結果をもたらす可能性があるため、これは重要である。 このメタモデルは、計画されている変更の影響を計算し、RDBMSの制約が常に検証されることを保証する追加の変更を推奨します。 次に、リコメンデーションを有効なSQLパッチにコンパイルし、実際にデータベーススキーマを整然と更新する。 データベースの詳細な知識がなければ、専門家のデータベースアーキテクトよりも75%の時間で同じ変更を実行できる、という過去の進化を再現しました。 私たちはまた、他の計画された変更に対するアプローチの使用を例示します。

関連論文リスト

• 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)
• Compound Schema Registry [0.0]
  本稿では,複合AIシステムによって促進される一般化スキーマ進化(GSE)の利用を提案する。 このシステムは、スキーマ変更のセマンティクスを解釈するために、LLM(Large Language Models)を使用する。 我々のアプローチには、中間表現としてスキーママッピングを生成するためのタスク固有言語である変換言語(STL)の開発が含まれる。
  論文  参考訳（メタデータ） (2024-06-17T05:50:46Z)
• PRICE: A Pretrained Model for Cross-Database Cardinality Estimation [78.30959470441442]
  クエリ実行計画の最適化には,カーディナリティ推定(CardEst)が不可欠である。 近年のMLベースのCardEst法は, 製造コストが高いため, 高い精度で展開が困難である。 PRetrained MultI-table CardEstモデルであるPRICEを提案する。
  論文  参考訳（メタデータ） (2024-06-03T06:21:53Z)
• DBCopilot: Scaling Natural Language Querying to Massive Databases [47.009638761948466]
  既存の方法は、大規模で動的に変化するデータベースを扱う際に、スケーラビリティの課題に直面します。 本稿では,DBCopilotについて紹介する。DBCopilotは,大規模データベース間のルーティングにコンパクトで柔軟なコピロットモデルを用いるフレームワークである。
  論文  参考訳（メタデータ） (2023-12-06T12:37:28Z)
• Open-Domain Hierarchical Event Schema Induction by Incremental Prompting and Verification [81.17473088621209]
  イベントスキーマを,大規模言語モデル(LLM)から導出可能なコモンセンス知識の一形態として扱う。 複雑なイベントグラフの構築を3段階に分割するインクリメンタルなプロンプトおよび検証手法を設計する。 線形化グラフを生成するのにLLMを直接使用するのに比べ、時間関係が7.2%F1、階層関係が31.0%F1の大規模かつ複雑なスキーマを生成することができる。
  論文  参考訳（メタデータ） (2023-07-05T01:00:44Z)
• Schema-adaptable Knowledge Graph Construction [47.772335354080795]
  従来の知識グラフ構築(KGC)アプローチは、通常、事前定義されたスキーマの閉じたセットで静的情報抽出パラダイムに従う。 我々は,スキーマ適応型KGCと呼ばれる新しいタスクを提案する。このタスクは,動的に変化するスキーマグラフに基づいて,再学習せずにエンティティ,リレーション,イベントを継続的に抽出することを目的としている。
  論文  参考訳（メタデータ） (2023-05-15T15:06:20Z)
• AskYourDB: An end-to-end system for querying and visualizing relational databases using natural language [0.0]
  複雑な自然言語をSQLに変換するという課題に対処する意味解析手法を提案する。 我々は、モデルが本番環境にデプロイされたときに重要な部分を占める様々な前処理と後処理のステップによって、最先端のモデルを修正した。 製品がビジネスで利用できるようにするために、クエリ結果に自動視覚化フレームワークを追加しました。
  論文  参考訳（メタデータ） (2022-10-16T13:31:32Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)
• 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)
• Survive the Schema Changes: Integration of Unmanaged Data Using Deep Learning [2.6464841907587004]
  本稿では,深層学習を用いて,スーパーセル表現と摂動の自動注入によるスキーマ変更の自動処理を提案する。 実験の結果,提案手法は実世界の2つのデータ統合シナリオに有効であることが示された。
  論文  参考訳（メタデータ） (2020-10-15T08:10:37Z)

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。