論文の概要: Streaming Model Cascades for Semantic SQL

• arxiv url: http://arxiv.org/abs/2604.00660v1
• Date: Wed, 01 Apr 2026 09:07:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.916286
• Title: Streaming Model Cascades for Semantic SQL
• Title（参考訳）: セマンティックSQLのためのモデルカスケードのストリーミング
• Authors: Paweł Liskowski, Kyle Schmaus,
• Abstract要約: 本稿では,各ワーカが個別にパーティションを処理できる2つの適応カスケードアルゴリズムを提案する。 プロダクションセマンティックSQLエンジンにおける6つのデータセットの実験は、両方のアルゴリズムがデータセット毎にF1 > 0.95を達成することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern data warehouses extend SQL with semantic operators that invoke large language models on each qualifying row, but the per-row inference cost is prohibitive at scale. Model cascades reduce this cost by routing most rows through a fast proxy model and delegating uncertain cases to an expensive oracle. Existing frameworks, however, require global dataset access and optimize a single quality metric, limiting their applicability in distributed systems where data is partitioned across independent workers. We present two adaptive cascade algorithms designed for streaming, per-partition execution in which each worker processes its partition independently without inter-worker communication. SUPG-IT extends the SUPG statistical framework to streaming execution with iterative threshold refinement and joint precision-recall guarantees. GAMCAL replaces user-specified quality targets with a learned calibration model: a Generalized Additive Model maps proxy scores to calibrated probabilities with uncertainty quantification, enabling direct optimization of a cost-quality tradeoff through a single parameter. Experiments on six datasets in a production semantic SQL engine show that both algorithms achieve F1 > 0.95 on every dataset. GAMCAL achieves higher F1 per oracle call at cost-sensitive operating points, while SUPG-IT reaches a higher quality ceiling with formal guarantees on precision and recall.
• Abstract（参考訳）: 現代のデータウェアハウスは、各予選行で大きな言語モデルを呼び出すセマンティック演算子でSQLを拡張している。 モデルカスケードは、高速なプロキシモデルを通じてほとんどの行をルーティングし、不確実なケースを高価なオラクルに委譲することで、このコストを削減する。 しかし、既存のフレームワークはグローバルなデータセットアクセスを必要とし、単一の品質メトリクスを最適化する。 本稿では,作業者間通信を使わずに,各作業者が独立して分割処理を行う,ストリーミング・パーパーティション実行用に設計された2つの適応カスケードアルゴリズムを提案する。 SUPG-ITは、SUPG統計フレームワークを拡張して、繰り返ししきい値の精細化とジョイント精度のリコール保証によるストリーミング実行を実現している。 GAMCALは、ユーザの指定した品質目標を、学習されたキャリブレーションモデルに置き換える: 一般化付加モデル(Generalized Additive Model)は、プロキシスコアを不確実な定量化を伴うキャリブレーションされた確率にマッピングし、単一のパラメータによるコスト品質トレードオフの直接最適化を可能にする。 プロダクションセマンティックSQLエンジンにおける6つのデータセットの実験は、両方のアルゴリズムがデータセット毎にF1 > 0.95を達成することを示している。 GAMCALは、コストに敏感な操作ポイントにおいて、より高いF1コールを達成する一方、SUPG-ITは、精度とリコールに関する正式な保証とともに、高品質な天井に達する。

関連論文リスト

• MICRO: A Lightweight Middleware for Optimizing Cross-store Cross-model Graph-Relation Joins [Technical Report] [2.391637233634213]
  本稿では,グラフストアとリレーショナルストア間のクロスモデル結合クエリのクラスを正式に定義する。 MICROの中核であるCMLeroは、正確なコスト見積を必要とせずに効率的な実行計画を選択する学習からランクベースのクエリである。
  論文  参考訳（メタデータ） (2026-03-14T08:41:40Z)
• ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
  現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。 本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。 本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
  論文  参考訳（メタデータ） (2025-03-24T13:11:22Z)
• Federated Full-Parameter Tuning of Billion-Sized Language Models with Communication Cost under 18 Kilobytes [53.4856038354195]
  事前訓練された大規模言語モデル(LLM)は、自然言語命令に対する応答性を改善するために微調整が必要である。 FedKSeedは、ランダムシードの有限セットによるゼロ階最適化を採用している。 サーバとクライアント間の通信要求を大幅に減らし、ランダムなシードをわずかに減らします。
  論文  参考訳（メタデータ） (2023-12-11T13:03:21Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)
• DS-FACTO: Doubly Separable Factorization Machines [4.281959480566438]
  因子化マシン(FM)は、線形モデルにより表現力を加えるために、特徴間の高次相互作用を含む強力なモデルのクラスである。 ペアワイズ機能に低ランク表現を使用するにもかかわらず、大規模な実世界のデータセットにファクタライズマシンを使用することのメモリオーバーヘッドは禁じられるほど高い。 単一マシンで動作する従来のFMアルゴリズムでは,このスケールを処理できないため,クラスタ間で計算を並列化する分散アルゴリズムは避けられない。
  論文  参考訳（メタデータ） (2020-04-29T03:36:28Z)

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。