Fugu-MT 論文翻訳(概要): Adversarial Query Synthesis via Bayesian Optimization

論文の概要: Adversarial Query Synthesis via Bayesian Optimization

arxiv url: http://arxiv.org/abs/2603.01570v1
Date: Mon, 02 Mar 2026 07:50:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.74684
Title: Adversarial Query Synthesis via Bayesian Optimization
Title（参考訳）: ベイズ最適化による逆クエリ合成
Authors: Jeffrey Tao, Yimeng Zeng, Haydn Thomas Jones, Natalie Maus, Osbert Bastani, Jacob R. Gardner, Ryan Marcus,
Abstract要約: 本稿では,難解なベンチマーククエリを自動的に検索するベイズ最適化手法を提案する。予備実験では,最適化ヘッドルームの2倍以上のクエリを生成できることを示した。
参考スコア（独自算出の注目度）: 35.27265461467129
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Benchmark workloads are extremely important to the database management research community, especially as more machine learning components are integrated into database systems. Here, we propose a Bayesian optimization technique to automatically search for difficult benchmark queries, significantly reducing the amount of manual effort usually required. In preliminary experiments, we show that our approach can generate queries with more than double the optimization headroom compared to existing benchmarks.
Abstract（参考訳）: 特に、より多くの機械学習コンポーネントがデータベースシステムに統合されているため、ベンチマークワークロードはデータベース管理研究コミュニティにとって非常に重要です。本稿では,複雑なベンチマーククエリを自動的に検索するベイズ最適化手法を提案する。予備実験では,既存のベンチマークと比較して,最適化ヘッドルームの2倍以上のクエリを生成できることが示されている。

関連論文リスト

Easy Data Unlearning Bench [53.1304932656586]
アンラーニングアルゴリズムの評価を簡略化する統一型ベンチマークスイートを導入する。セットアップとメトリクスの標準化により、未学習のメソッド間で再現性、拡張性、公正な比較が可能になる。
論文参考訳（メタデータ） (2026-02-18T12:20:32Z)
Making Databases Faster with LLM Evolutionary Sampling [27.62392938968789]
従来のクエリ最適化は、実行コストを見積もるコストベースのモデルに依存している。私たちは、DataFusionエンジンにDBPlanハーネスを使用して、適用および実行可能なローカライズされた編集を提案します。次に、これらの編集に対して進化的検索を適用して、繰り返しにまたがって候補を洗練します。いくつかのクエリで最大4.78$times$のスピードアップを得ます。
論文参考訳（メタデータ） (2026-02-11T00:21:51Z)
Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
論文参考訳（メタデータ） (2025-10-20T04:16:28Z)
Aligning Web Query Generation with Ranking Objectives via Direct Preference Optimization [21.140086066964667]
本稿では,クエリ生成プロセスにランキング信号を統合するフレームワークを提案する。実験の結果,DPO後の問合せと文書の相互関係は高く評価された。
論文参考訳（メタデータ） (2025-05-25T20:34:12Z)
HERO: Hint-Based Efficient and Reliable Query Optimizer [0.0]
本稿では,より優れた実行計画を実現するためのクエリヒントを提供する,学習クエリ最適化のための新しいモデルを提案する。このモデルは、学習したヒントベースのクエリ最適化において、信頼できるヒントレコメンデーション、効率的なヒント探索、高速推論という3つの課題に対処する。私たちのモデルは解釈可能でデバッグが容易です。
論文参考訳（メタデータ） (2024-12-03T10:58:34Z)
Query Optimization for Parametric Knowledge Refinement in Retrieval-Augmented Large Language Models [25.390142515721802]
ERRRフレームワークは、検索-拡張生成(RAG)システムにおける事前検索情報ギャップを橋渡しするように設計されている。 RAGで使用される従来のクエリ最適化手法とは異なり、ERRRフレームワークはLarge Language Models (LLM) から知識を抽出することから始まる。
論文参考訳（メタデータ） (2024-11-12T14:12:45Z)
Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。 BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
論文参考訳（メタデータ） (2024-09-21T18:39:53Z)
JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning [58.71541261221863]
結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。 JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
論文参考訳（メタデータ） (2023-07-21T17:00:06Z)
BitE : Accelerating Learned Query Optimization in a Mixed-Workload Environment [0.36700088931938835]
BitEは、データベース統計とメタデータを使用して、学習したクエリをチューニングしてパフォーマンスを向上させる、新しいアンサンブル学習モデルである。我々のモデルは従来の手法に比べて19.6%改善されたクエリと15.8%改善されたクエリを実現している。
論文参考訳（メタデータ） (2023-06-01T16:05:33Z)
Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文参考訳（メタデータ） (2022-09-27T17:51:31Z)
HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文参考訳（メタデータ） (2022-06-15T19:10:35Z)

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。