論文の概要: Epistemic Typing as a PostgreSQL Table Access Method: Adversarial Conflict Resolution Under Confidence Forgery and Sybil Coordination

• arxiv url: http://arxiv.org/abs/2609.36795v1
• Date: Tue, 29 Sep 2026 06:06:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.226803
• Title: Epistemic Typing as a PostgreSQL Table Access Method: Adversarial Conflict Resolution Under Confidence Forgery and Sybil Coordination
• Title（参考訳）: PostgreSQLテーブルアクセス手法としてのてんかんのタイピング:信頼偽造とシビル調整の下での対立解決
• Abstract要約: KNDBはエンジン指定型(MEASURED、INFERRED、DERIVED)で各行をタイプする。 本稿では,その決定の背景にある技術と,それを動機づけた敵対的評価について報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We describe KNDB, a PostgreSQL 18 table access method (TAM) that types every row with an engine-assigned epistemic kind (MEASURED, INFERRED, or DERIVED) and resolves per-slot conflicts inside every write-time heapam callback. Rows land as ordinary heap tuples; seven of the 44 TAM callbacks are overridden (tuple_insert, multi_insert, tuple_update, tuple_delete, tuple_insert_speculative, tuple_complete_speculative, relation_toast_am), the other 37 delegate to heap; we provide a completeness argument over the interface as a paper artefact. This paper reports the engineering behind that decision and the adversarial evaluation that motivated it. On a confidence-forgery workload where an attacker asserts INFERRED writes with confidence in [0.95,1.0] against honest MEASURED writes with confidence in [0.5,0.9], KNDB beats a confidence-only baseline by 63 percentage points on the Book-Author fusion dataset and 92.7 points on the Zheng crowdsourcing dataset. Both wins are proven load-bearing on the kind axis by a source-rebuild disable-and-test in which the lattice is neutralised and the win vanishes. Against four truth-discovery baselines (TruthFinder, CRH, CATD, ACCU) reimplemented from the original equations and validated to within 0.3 percentage points of the published numbers, KNDB is competitive below a per-dataset density-saturation cell and dominant at or above it. We formalise the cell as k* ~ rho_alg * h_top, where h_top is per-slot top honest surface-form support, and validate the prediction within +/-20% on Book-Author and +/-30% on Zheng. Because the kind axis is assigned by the engine from independent metadata and cannot be forged at write time, KNDB's k* is unbounded. The paper is honest about where KNDB loses: CRH and ACCU outperform KNDB below saturation on Zheng, and KNDB scores zero on three temporal knowledge-editing benchmarks whose ground truth is last-writer-wins.
• Abstract（参考訳）: KNDB は PostgreSQL 18 テーブルアクセス方式 (TAM) で,エンジンに割り当てられたエピステミックタイプ (MEASURED, INFERRED, DERIVED) で各行をタイプし,書き込み時のヒープコールバック毎にスロット毎の競合を解決する。 44のTAMコールバックのうち7つはオーバーライドされている(tuple_insert, multi_insert, tuple_update, tuple_delete, tuple_insert_speculative, tuple_complete_speculative, relation_toast_am)。 本稿では,その決定の背景にある技術と,それを動機づけた敵対的評価について報告する。 INFERREDが[0.95,1.0]を正直なMEASUREDに対して[0.95,1.0]を信頼して書き込み、[0.5,0.9]を信頼して書き込み、KNDBはBook-Author融合データセットで63ポイント、Zhengクラウドソーシングデータセットで92.7ポイントの信頼のみのベースラインを破る。 どちらの勝利も、格子が中和され、勝利が消滅するソース再ビルドの無効テストによって、種軸上の負荷持ちが証明される。 4つの真実発見ベースライン (TruthFinder, CRH, CATD, ACCU) が元の方程式から再実装され、公表された数値の0.3ポイント以内で検証されるのに対して、KNDBはデータセットごとの密度飽和セル以下で競合し、その上かそれ以上で優位である。 セルを k* ~ rho_alg * h_top と定式化し、h_top はスロットごとの正直な表面形状サポートであり、Book-Author では +/-20% 、Zheng では +/-30% で予測を検証した。 種別軸は独立メタデータからエンジンによって割り当てられ、書き込み時に偽造できないため、KNDBのk*は非有界である。 CRH と ACCU は Zheng の飽和度以下で KNDB を上回り、KNDB は最後の著者が勝つ3つの時間的知識編集ベンチマークで 0 となる。

関連論文リスト

• Operating Multi-Node Full Fine-Tuning on NVIDIA B300: A Field Report on Telemetry-Based Triage, Negative Results, and Operational Hardening [6.384763560610076]
  我々は16 x NVIDIA B300(FSDP/Zero-3)上の32.76Bパラメータ密度モデル(Qwen3-32B)をフルチューニングした運用経験を報告する。 我々の貢献は、新しいハードウェア上でのフィールド体験と調整された一連の測定である。 我々は、PyTorchの文書化されたJoin / equalize-to-minimumプラクティスに対するインスタンスを配置する。
  論文  参考訳（メタデータ） (2026-08-06T12:11:25Z)
• What Predicts Correctness in Text-to-SQL? A Selective-Prediction Study [0.0]
  我々はAUROCを用いて、各クエリがいかに正確かを測定する。 BIRDとスパイダーでは、文字列、構造、実行の自己整合性、スキーマ関連スコア、クエリ実行性といったブラックボックス信号はすべて0.61から0.68AUROCに該当する。 検証器をトレーニングできるかどうかを問う。符号化器と生成器の両方で、約0.77～0.79 AUROCの非分布に到達するが、未知のスキーマでは約0.66に低下する。
  論文  参考訳（メタデータ） (2026-07-07T20:52:58Z)
• Reliable Homomorphic Matching for Fuzzy Labeled PSI at Scale [0.6430130814523795]
  Fuzzy Labeled Private Set Intersection (FLPSI)は、受信者がそのクエリと同じような登録レコードのラベルを学習する。 我々は、その準同型形式について研究し、レベル付きBFV準同型暗号(HE)、ガーブラード回路、シークレット共有を組み合わせて、暗号の下での一致を判定し、レコードのラベルを解放する。
  論文  参考訳（メタデータ） (2026-06-26T07:40:03Z)
• Do LLM Attribution Metrics Transfer? Auditing Retrieval-Augmented Generation Evaluation Across Datasets and Constructs [11.997694190254974]
  しばしば、帰属のための自動メトリクスを交換可能なものとして扱う。 3つの評価項目にまたがって8つの自動スコアを監査する。 評価器を選択するための単純な"best-on-average"ルールは、そのままのデータセットアウトに失敗する。
  論文  参考訳（メタデータ） (2026-06-22T20:25:36Z)
• vstash: Local-First Hybrid Retrieval with Adaptive Fusion for LLM Agents [0.0]
  ベクトル類似性検索と全文キーワードマッチングを組み合わせたローカルファーストの文書メモリシステム**vstash**を提案する。 すべてのデータはsqlite-vecを使って近傍の検索に近づき、FTS5でキーワードマッチングを行う単一のファイルに格納される。
  論文  参考訳（メタデータ） (2026-04-16T19:22:58Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• REST: Enhancing Group Robustness in DNNs through Reweighted Sparse Training [49.581884130880944]
  ディープニューラルネットワーク(DNN)は様々な領域で有効であることが証明されている。 しかし、彼らは推論中に一部の少数派でうまく行動するのに苦労することが多い。
  論文  参考訳（メタデータ） (2023-12-05T16:27:54Z)
• Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
  本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。 提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
  論文  参考訳（メタデータ） (2023-08-19T05:34:13Z)
• Detection Transformer with Stable Matching [48.963171068785435]
  もっとも重要な設計は, 肯定的な事例の分類スコアを監督するために, 位置測定値のみを使用することである。 本原理では,DTRの分類損失とマッチングコストに位置測定値を統合することで,簡易かつ効果的な2つの修正を提案する。 12エポックおよび24エポックのトレーニング設定の下でResNet-50バックボーンを用いてCOCO検出ベンチマークで50.4および51.5APを達成する。
  論文  参考訳（メタデータ） (2023-04-10T17:55:37Z)
• BUMP: A Benchmark of Unfaithful Minimal Pairs for Meta-Evaluation of Faithfulness Metrics [70.52570641514146]
  不誠実な最小対 (BUMP) のベンチマークを示す。 BUMPは、889人の人間が書いた最小限のサマリーペアのデータセットである。 非ペアベースのデータセットとは異なり、BUMPはメトリクスの一貫性を測定するために使用することができる。
  論文  参考訳（メタデータ） (2022-12-20T02:17:30Z)

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。