論文の概要: Database Querying under Missing Values Governed by Missingness Mechanisms

• arxiv url: http://arxiv.org/abs/2604.06520v1
• Date: Tue, 07 Apr 2026 23:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.268173
• Title: Database Querying under Missing Values Governed by Missingness Mechanisms
• Title（参考訳）: 欠失メカニズムに支配される欠失値のデータベースクエリ
• Authors: Leopoldo Bertossi, Farouk Toumani, Maxime Buron,
• Abstract要約: リレーショナルデータベース(RDB)に意味論を与え,クエリ応答(QA)を行うことの問題点に対処する。 後者の原因は、ベイズネットワークとしてモデル化されたミスティングネスメカニズムによって管理されている。 本稿では,MVの暗黙的計算の確率的不確実性と統計的妥当性を両立する2つのQA手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9176056742068811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problems of giving a semantics to- and doing query answering (QA) on a relational database (RDB) that has missing values (MVs). The causes for the latter are governed by a Missingness Mechanism that is modelled as a Bayesian Network, which represents a Missingness Graph (MG) and involves the DB attributes. Our approach considerable departs from the treatment of RDBs with NULL (values). The MG together with the observed DB allow to build a block-independent probabilistic DB, on which basis we propose two QA techniques that jointly capture probabilistic uncertainty and statistical plausibility of the implicit imputation of MVs. We obtain complexity results that characterize the computational feasibility of those approaches.
• Abstract（参考訳）: 本稿では,リレーショナルデータベース (RDB) に意味論を与え,クエリ応答 (QA) を行うことの問題点に対処する。 後者の原因は、ミスネスグラフ(MG)を表すベイズネットワーク(英語版)としてモデル化され、DB属性を含むミスネスメカニズムによって管理される。 我々のアプローチは、NULL(values)によるRDBの治療からかなり離れています。 MG は観測された DB とともにブロック非依存確率 DB の構築を可能にし,その基盤として,確率的不確実性と MV の暗黙的計算の統計的妥当性を両立する2つの QA 手法を提案する。 これらの手法の計算可能性を特徴付ける複雑な結果が得られる。

関連論文リスト

• Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases [66.24230877709756]
  リレーショナルディープラーニング(RDL)は、リレーショナルデータベース(RDB)を異種エンティティグラフとして構成するために提案される。 既存のRDL手法は、RDBにおける関係データの不均衡問題を無視し、少数民族を過小評価するリスクを負う。 本研究では,RDBエンティティ分類におけるクラス不均衡問題を初めて検討し,関係中心型マイノリティー合成オーバーサンプリングGNNを設計する。
  論文  参考訳（メタデータ） (2026-03-09T03:18:26Z)
• Relational Database Distillation: From Structured Tables to Condensed Graph Data [48.347717300340435]
  グラフベースモデルに必要な電力を維持しつつ,大規模RDBをコンパクトなヘテロジニアスグラフに蒸留することを目的としている。 さらに、擬似ラベルを用いてカーネルリッジ回帰誘導目標を設計し、蒸留グラフの品質特性を創出する。
  論文  参考訳（メタデータ） (2025-10-08T13:05:31Z)
• Imputation-Powered Inference [2.676349883103404]
  Imputation-powered Inference (IPI) は、ブラックボックス計算の柔軟性と、完全に観測されたデータを用いたバイアス補正を組み合わせたモデルリーンフレームワークである。 IPIは、二重頑健な推定値とナイーブな計算値の両方が名目的カバレッジを達成できない設定において、統計的妥当性を維持しながら、完全ケース分析と比較して、サブポピュレーション効率を大幅に改善する可能性がある。
  論文  参考訳（メタデータ） (2025-09-17T07:48:54Z)
• Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot [44.336297829718795]
  CATE-Bは,大規模言語モデル(LLM)をエージェントフレームワーク内で使用して,治療効果推定を通じてユーザを誘導する,オープンソースのコパイロットシステムである。 CATE-B は (i) 因果発見と LLM に基づくエッジオリエンテーションによる構造因果モデルの構築、 (ii) 因果構造とデータセット特性に適合した適切な回帰方法を選択することによるロバストな調整セットの同定を支援する。
  論文  参考訳（メタデータ） (2025-08-14T12:20:51Z)
• Top Ten Challenges Towards Agentic Neural Graph Databases [56.92578700681306]
  Neo4jやTigerGraphのようなグラフデータベース(GDB)は相互接続されたデータを扱うのが得意だが、高度な推論機能が欠けている。 本稿では,NGDBを3つのコア機能で拡張するエージェント型ニューラルネットワークデータベース(Agentic NGDB)を提案する。
  論文  参考訳（メタデータ） (2025-01-24T04:06:50Z)
• Relational Action Bases: Formalization, Effective Safety Verification, and Invariants (Extended Version) [67.99023219822564]
  我々はリレーショナルアクションベース(RAB)の一般的な枠組みを紹介する。 RABは両方の制限を解除することで既存のモデルを一般化する。 データ対応ビジネスプロセスのベンチマークにおいて、このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-08-12T17:03:50Z)
• Multiple Imputation via Generative Adversarial Network for High-dimensional Blockwise Missing Value Problems [6.123324869194195]
  本稿では,GAN(Generative Adversarial Network)による多重インプットを提案する。 MI-GANは、高次元データセット上で既存の最先端計算手法と高い性能を示す。 特に、MI-GANは統計的推測と計算速度の点で他の計算方法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-21T20:19:37Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• Symbolic Querying of Vector Spaces: Probabilistic Databases Meets Relational Embeddings [35.877591735510734]
  すべてのクエリが実行される確率的データベースモデルを形式化する。 十分に定義された連立確率分布の欠如は、単純な問合せ問題を証明し難いものにする。 本稿では, トラクタブル確率データベースとして設計したリレーショナル埋め込みモデルTOを紹介する。
  論文  参考訳（メタデータ） (2020-02-24T01:17:25Z)

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。