論文の概要: Demonstrating GenDB: Instance-Optimized and Customized Query Processing Code Generation via LLM Agents

• arxiv url: http://arxiv.org/abs/2607.20630v1
• Date: Wed, 22 Jul 2026 18:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.183436
• Title: Demonstrating GenDB: Instance-Optimized and Customized Query Processing Code Generation via LLM Agents
• Title（参考訳）: GenDBのデモ: LLMエージェントによるインスタンス最適化およびカスタマイズクエリ処理コード生成
• Abstract要約: GenDBは、クエリ処理を手動で設計したシステムから、Large Language Models (LLM) によって駆動されるクエリ処理コード生成に移行する、ジェネレーティブなクエリエンジンである。 プロトタイプは、反復的なテンプレートクエリのためのオフラインコード生成に適合する。事前生成コストが多くの実行を償却し、手動検査によって正確性を確保することができるからだ。 我々のデモでは、(1)GenDBがワークロードを視覚的に、インタラクティブに分析し、ハードウェアリソースと基盤となるデータをプロファイルし、クエリプランを作成し、それらに基づいてコードを生成し、最後にファズを使用して、正しく効率的な実装を反復的に実現します。
• 参考スコア（独自算出の注目度）: 25.352713493505792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional query processing engines require continuous development and extensions to support new techniques and user requirements, and in some cases, entirely new systems must be built from scratch. However, these engines are difficult to extend due to their internal complexity, and building new systems demands significant engineering effort and cost. To address this, we demonstrate GenDB, a generative query engine that shifts query processing from manually engineered systems to query processing code generation driven by Large Language Models (LLMs). An early prototype of GenDB uses LLM agents to generate instance-optimized query execution code tailored to specific data, workloads, and hardware resources. This prototype suits offline code generation for repetitive, templated queries, since the upfront generation cost amortizes over many executions and correctness can be ensured through extensive fuzz testing and manual inspection. For ad-hoc queries, GenDB can work with a traditional DBMS in a hybrid architecture: the DBMS handles one-off queries, while GenDB speeds up frequent SQL templates. Our demonstration allows users to (1) visually and interactively explore how GenDB analyzes workloads, profiles hardware resources and underlying data, produces query plans, generates code based on them, and finally uses an optimizer to iteratively achieve a correct and efficient implementation; (2) use visual inspection and analysis to gain qualitative insights into why GenDB produces code that achieves significantly better performance than state-of-the-art query engines on two benchmarks: TPC-H and a newly constructed benchmark designed to reduce potential data leakage from LLM training data; and (3) upload their own data and queries to explore GenDB with different LLMs and query patterns.
• Abstract（参考訳）: 従来のクエリ処理エンジンは、新しい技術とユーザ要求をサポートするために継続的開発と拡張を必要としており、場合によっては完全に新しいシステムをスクラッチから構築する必要がある。 しかし、これらのエンジンは内部の複雑さのために拡張が困難であり、新しいシステムを構築するにはエンジニアリングの労力とコストが要る。 そこで我々は,手作業で設計したシステムから,大規模言語モデル(LLM)によって駆動されるクエリ処理コード生成にクエリ処理をシフトする,ジェネレーティブクエリエンジンであるGenDBを実演する。 GenDBの初期プロトタイプでは、LLMエージェントを使用して、特定のデータ、ワークロード、ハードウェアリソースに適したインスタンス最適化クエリ実行コードを生成する。 このプロトタイプは、頻繁なファズテストと手動検査によって、事前生成コストが多くの実行と正確性を損なうため、反復的なテンプレートクエリのためのオフラインコード生成に適合する。 アドホックなクエリでは、GenDBは従来のDBMSをハイブリッドアーキテクチャで扱える: DBMSはワンオフクエリを処理し、GenDBは頻繁にSQLテンプレートをスピードアップする。 我々のデモでは、(1)GenDBがワークロードを分析し、ハードウェアリソースと基盤となるデータをプロファイルし、クエリプランを生成し、最後に最適化器を使用して、正確で効率的な実装を反復的に実現し、(2)GenDBが2つのベンチマークで最先端のクエリエンジンよりもはるかにパフォーマンスの高いコードを生成する理由を、ビジュアル検査と分析で定性的な洞察を得ることができます。

関連論文リスト

• Rethinking RAG in Long Videos: What to Retrieve and How to Use It? [56.38819694781005]
  V-RAGBenchは$langle$query, evidence chunk, answer$rangle$三重項のベンチマークで、検索と生成を忠実に分離した評価を可能にする。 また、CARVEは、コンフィグレーションにまたがって並列レトリバーを動作させ、チャンク毎に入賞構成を識別するためにチャンク適応リランクを用いる手法である。
  論文  参考訳（メタデータ） (2026-06-11T10:05:49Z)
• GenDB: The Next Generation of Query Processing -- Synthesized, Not Engineered [25.352713493505792]
  大規模言語モデル(LLM)は、次世代のクエリ処理システムを形成し始めている。 我々は、インスタンス最適化およびカスタマイズされたクエリ実行コードを生成するLLMベースのエージェントシステムであるGenDBを提案する。 我々はGenDBとDuckDB、Umbra、MonetDB、ClickHouse、TPCといった最先端のクエリエンジンを比較します。
  論文  参考訳（メタデータ） (2026-03-02T17:03:43Z)
• ThinkGen: Generalized Thinking for Visual Generation [97.19923474851987]
  ThinkGenは、さまざまな世代のシナリオでChain-of-Thought(CoT)推論を明示的に活用する、思考駆動のビジュアル生成フレームワークである。 本稿では,MLLMとDiTモジュール間の強化学習を交互に行う,分離可能なGRPOベースのトレーニングパラダイムを提案する。 実験の結果、ThinkGenは複数の世代ベンチマークで堅牢で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-29T16:08:50Z)
• VerilogDB: The Largest, Highest-Quality Dataset with a Preprocessing Framework for LLM-based RTL Generation [1.0798445660490976]
  大規模言語モデル(LLM)は、特にレジスタ転送レベル(RTL)コード生成を通じて、ハードウェア設計自動化において人気が高まっている。 データベース(DB)の作成と管理を含む3段階の自動化プロセスを通じて,ロバストなVerilogデータセットを構築した。 得られたデータセットは、20,392のVerilogサンプルと751MBのVerilogコードデータからなる。
  論文  参考訳（メタデータ） (2025-07-09T17:06:54Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• QuIM-RAG: Advancing Retrieval-Augmented Generation with Inverted Question Matching for Enhanced QA Performance [1.433758865948252]
  本研究では,RAG(Retrieval-Augmented Generation)システム構築のための新しいアーキテクチャを提案する。 RAGアーキテクチャは、ターゲット文書から応答を生成するために構築される。 本稿では,本システムにおける検索機構の新しいアプローチQuIM-RAGを紹介する。
  論文  参考訳（メタデータ） (2025-01-06T01:07:59Z)
• A Collaborative Multi-Agent Approach to Retrieval-Augmented Generation Across Diverse Data [0.0]
  Retrieval-Augmented Generation (RAG)はLarge Language Models (LLM)を強化する 従来のRAGシステムでは、クエリ生成、データ検索、レスポンス合成に単一エージェントアーキテクチャを使用するのが一般的である。 本稿では,これらの制約に対処するマルチエージェントRAGシステムを提案する。
  論文  参考訳（メタデータ） (2024-12-08T07:18:19Z)
• Query Performance Explanation through Large Language Model for HTAP Systems [8.278943524339264]
  ハイブリッドトランザクションおよび分析処理システムでは、ユーザは、あるエンジンからのクエリプランが他のエンジンよりも遅い理由を理解するのに苦労することが多い。 本稿では,大規模言語モデル(LLM)を活用して,HTAPシステムにおけるクエリ性能を説明する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-02T16:55:07Z)
• Towards Evaluating Large Language Models for Graph Query Generation [49.49881799107061]
  大言語モデル(LLM)は、生成人工知能(GenAI)の景観に革命をもたらしている 本稿では,オープンアクセス LLM を用いてグラフデータベースと対話する強力な言語としてクエリを生成することの課題について比較検討する。 クエリ生成精度を実証的に分析したところ、Claude Sonnet 3.5は特定のドメインでそれよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-13T09:11:56Z)
• Language Models can Self-Lengthen to Generate Long Texts [74.96074422345806]
  本稿では,Self-Lengthenというイノベーティブな反復学習フレームワークを紹介する。 補助的なデータやプロプライエタリなモデルを必要としない、大規模言語モデルの本質的な知識とスキルのみを活用する。 ベンチマークと人的評価の実験により、Self-Lengthenは長文生成において既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-10-31T13:47:10Z)
• MemoRAG: Boosting Long Context Processing with Global Memory-Enhanced Retrieval Augmentation [60.04380907045708]
  Retrieval-Augmented Generation (RAG)は、この問題に対処するための有望な戦略と考えられている。 我々は,グローバルメモリ拡張検索による新しいRAGフレームワークであるMemoRAGを提案する。 MemoRAGは、様々な長期コンテキスト評価タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-09T13:20:31Z)
• UQE: A Query Engine for Unstructured Databases [71.49289088592842]
  構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。 本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
  論文  参考訳（メタデータ） (2024-06-23T06:58:55Z)

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。