論文の概要: SAGE: A Unified Algebra and Self-Adaptive Execution for AI Functions in SQL
- arxiv url: http://arxiv.org/abs/2608.20630v1
- Date: Fri, 21 Aug 2026 00:12:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.293928
- Title: SAGE: A Unified Algebra and Self-Adaptive Execution for AI Functions in SQL
- Title（参考訳）: SAGE: SQLにおけるAI関数の統一代数と自己適応実行
- Abstract要約: sqlシステムは、分類、抽出、フィルタリング、ランキング、検索、結合、要約といったタスクのためのAI機能をますます公開している。
SAGEは3つの型付きプリミティブでこれらのロールをキャプチャする統合論理的および物理的フレームワークである。
SAGEはSemBenchのパフォーマンスにおいて最強であり、代表的因子結合では、ペアワイズモデルの呼び出しを2桁以上削減する。
- 参考スコア（独自算出の注目度）: 28.278393183168845
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: SQL systems increasingly expose AI functions for tasks such as classification, extraction, filtering, ranking, retrieval, joining, and summarization. Despite their diverse APIs, these functions play only three relational roles: transforming individual rows, aggregating groups, or generating relationships between row pairs. We present SAGE (Self-Adaptive Generative Execution), a unified logical and physical framework that captures these roles with three typed primitives, AI_SCALAR, AI_AGG, and AI_JOIN, and composes them naturally with standard relational operators. All primitives share a confidence-gated execution interface while supporting physical strategies tailored to their relational shape. The main challenge is AI_JOIN, where SAGE analyzes the predicate, decomposes compound conditions when possible, and uses a recipe card together with a small label-free probe to select among complete execution strategies. Across a broad audit of public AI operators and evaluations spanning scalar, aggregate, and join workloads, this formulation covers common AI functionality while consistently improving execution quality and efficiency. SAGE achieves the strongest overall SemBench performance and, on a representative factorable join, reduces pairwise model calls by more than two orders of magnitude, yielding a 358-fold measured cost reduction.
- Abstract（参考訳）: SQLシステムは、分類、抽出、フィルタリング、ランキング、検索、結合、要約といったタスクのためのAI機能をますます公開している。
多様なAPIにもかかわらず、これらの関数は、個々の行を変換したり、グループを集約したり、行ペア間の関係を生成したりする、という3つのリレーショナルな役割のみを果たす。
SAGE(Self-Adaptive Generative Execution)は、AI_SCALAR、AI_AGG、AI_JOINの3つの型付きプリミティブでこれらのロールをキャプチャし、それらを標準的なリレーショナル演算子と自然に構成する統合論理的および物理的フレームワークである。
すべてのプリミティブは信頼性の高い実行インターフェースを共有し、リレーショナルな形状に合わせて物理的な戦略をサポートします。
主な課題はAI_JOINで、SAGEは述語を分析し、可能な限り複合条件を分解し、小さなラベルフリープローブとともにレシピカードを使用して完全な実行戦略を選択する。
パブリックAIオペレータの広範な監査と、スカラー、アグリゲート、ジョインワークロードにわたる評価を通じて、この定式化は、一般的なAI機能をカバーすると同時に、実行品質と効率を一貫して改善する。
SAGEはSemBench全体のパフォーマンスが最も優れており、代表的因子結合では、ペアワイズモデルの呼び出しを2桁以上削減し、測定コストを358倍に削減する。
関連論文リスト
- From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - SemJoin: Semantic Join Optimization [5.770286315818393]
意味結合は大きな言語モデル(LLM)で評価できるが、すべての述語を比較するにはO(M x N)の呼び出しが必要であり、スケールでコストを抑えることができる。
本稿では,下層のテーブルの実行戦略を一致させることで,意味結合を最適化するLLM型意思決定パイプラインを提案する。
論文 参考訳（メタデータ） (2026-06-28T17:57:10Z) - AdaptOrch: Task-Adaptive Multi-Agent Orchestration in the Era of LLM Performance Convergence [0.0]
AdaptOrchはタスク適応型マルチエージェントオーケストレーションのための正式なフレームワークである。
トポロジ対応オーケストレーションは、静的シングルトポロジベースラインよりも12～23%改善されている。
論文 参考訳（メタデータ） (2026-02-18T21:00:05Z) - AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。
エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。
本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:49:18Z) - Federation of Agents: A Semantics-Aware Communication Fabric for Large-Scale Agentic AI [1.8244641115869653]
エージェントのフェデレーション(FoA)は,マルチエージェントのコーディネーションを動的かつ能力駆動的なコラボレーションに変換する分散オーケストレーションフレームワークである。
FoAは、セマンティック埋め込みを通じてエージェント機能を検索可能にするマシン可読プロファイルであるVersioned Capability Vectors (VCVs)を導入した。
単一モデルベースラインよりも13倍の改善が見られ、クラスタリング強化労働力は複雑な推論タスクに特に有効である。
論文 参考訳（メタデータ） (2025-09-24T14:38:06Z) - Comparative Analysis of AI Agent Architectures for Entity Relationship Classification [1.6887793771613606]
本研究では,3つの異なるAIエージェントアーキテクチャの比較分析を行い,関係分類を行う。
エージェントアーキテクチャは,(1)反射的自己評価,(2)階層的タスク分解,(3)新しいマルチエージェント動的サンプル生成機構を含む。
実験により,マルチエージェントの協調が標準のショットプロンプトより一貫して優れていることが実証された。
論文 参考訳（メタデータ） (2025-06-03T04:19:47Z) - SynRES: Towards Referring Expression Segmentation in the Wild via Synthetic Data [4.962252439662465]
WildRESは、多様な属性を持つ長いクエリと、複数のターゲットに対する識別できないクエリを組み込んだ、新しいベンチマークである。
解析の結果,WildRESを用いた場合,現在のRESモデルでは性能が著しく低下していることが判明した。
この課題に対処するために、密集した合成学習データを生成する自動パイプラインであるSynRESを紹介する。
論文 参考訳（メタデータ） (2025-05-23T10:05:16Z) - CORG: Generating Answers from Complex, Interrelated Contexts [57.213304718157985]
現実世界のコーパスでは、知識は文書間で頻繁に再帰するが、曖昧な命名、時代遅れの情報、エラーのためにしばしば矛盾を含む。
以前の研究では、言語モデルはこれらの複雑さに苦しむことが示されており、典型的には孤立した単一要因に焦点を当てている。
複数のコンテキストを個別に処理されたグループに整理するフレームワークであるContext Organizer (CORG)を紹介する。
論文 参考訳（メタデータ） (2025-04-25T02:40:48Z) - CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。
従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。
粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
論文 参考訳（メタデータ） (2024-06-25T12:47:04Z) - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。
本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。
オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文 参考訳（メタデータ） (2024-03-21T13:52:30Z) - Generating Diverse and Consistent QA pairs from Contexts with
Information-Maximizing Hierarchical Conditional VAEs [62.71505254770827]
非構造化テキストを文脈として与えられたQAペアを生成するための条件付き変分オートエンコーダ(HCVAE)を提案する。
我々のモデルは、トレーニングにわずかなデータしか使わず、両方のタスクの全てのベースラインに対して印象的なパフォーマンス向上が得られる。
論文 参考訳（メタデータ） (2020-05-28T08:26:06Z)
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。