論文の概要: When Plans Change Answers: Formalizing Cost-Accuracy Optimization for Semantic Queries

• arxiv url: http://arxiv.org/abs/2610.08089v1
• Date: Tue, 06 Oct 2026 10:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.930811
• Title: When Plans Change Answers: Formalizing Cost-Accuracy Optimization for Semantic Queries
• Title（参考訳）: 計画変更時の回答:セマンティッククエリのコスト-精度最適化の形式化
• Abstract要約: セマンティッククエリエンジンのコスト-精度最適化のための公式な問題定義を与える。 私たちの出発点は、Jevのような意思決定モデルがそれぞれの決定に付随するという、調整された信頼度です。 ポイントワイド決定政策の下では,精度がプラン不変であることが示される。
• 参考スコア（独自算出の注目度）: 0.8629912408966146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In semantic query engines, predicates are evaluated by machine-learned models, and the choice of a query plan affects not only the cost of a query but also its result. Existing systems either apply a fixed threshold to each semantic operator or tune accuracy per operator, without accounting for how errors propagate through joins. We give a formal problem definition for cost-accuracy optimization of such queries. Our starting point is the calibrated confidence that decision models such as Jev attach to each decision. It yields an expected error for every decision; weighting these errors by each decision's contribution to the output (in the simplest case, its fan-out) gives the expected output quality of a plan without any labeled data, and the same computation in reverse turns an output-level accuracy target into a price on each base or intermediate tuple. Building on this, we define an oracle semantics for relational algebra with semantic operators, physical plans as pairs of a logical plan and a decision policy, declarative output-level targets, and a hierarchy of plan equivalence. We show that accuracy is plan-invariant under pointwise-deterministic policies, and that selection pushdown is not quality-sound when escalation bands are calibrated on the plan's own candidates. Expected quality can be computed in polynomial time under bag semantics; under set semantics it follows the dichotomy of tuple-independent probabilistic databases when every relation carries a semantic predicate. Choosing which tuples to drop is NP-hard, while the optimization problem decomposes into per-tuple decisions through two Lagrange multipliers. Simulations on a synthetic workload illustrate these effects; an evaluation on real engines is left for future work.
• Abstract（参考訳）: セマンティッククエリエンジンでは、述語はマシン学習モデルによって評価され、クエリプランの選択はクエリのコストだけでなく、その結果にも影響する。 既存のシステムでは、各セマンティック演算子に一定のしきい値を適用するか、演算子ごとに精度を調整するかのいずれかで、エラーがどのように結合を通して伝播するかを考慮しない。 このようなクエリのコスト-精度最適化に関する公式な問題定義を与える。 私たちの出発点は、Jevのような意思決定モデルがそれぞれの決定に付随するという、調整された信頼度です。 各決定の出力への貢献による誤差を重み付け(最も単純な場合、ファンアウト)すると、ラベル付きデータなしで計画の期待される出力品質が得られ、逆の計算で出力レベルの精度目標を各ベースまたは中間タプルの価格に変換する。 これに基づいて、意味的演算子、論理計画と決定ポリシーのペアとしての物理計画、宣言的出力レベル目標、計画等価性の階層を含む関係代数のオラクル意味論を定義する。 提案手法の精度は, ポイントワイド決定政策の下では計画不変であり, エスカレーション帯域が計画の候補に対して校正された場合, 選択のプッシュダウンは品質音ではないことを示す。 期待される品質は、バッグセマンティクスの下で多項式時間で計算できる; セットセマンティクスの下では、すべての関係がセマンティクス述語を持つとき、タプル非依存確率データベースの二分法に従う。 どのタプルをドロップするかはNPハードであり、最適化問題は2つのラグランジュ乗算器を通してタプル毎の決定に分解される。 合成作業負荷のシミュレーションではこれらの効果が示されており、実際のエンジンの評価は今後の研究のために残されている。

関連論文リスト

• Bayesian-guided inverse design of hyperelastic microstructures: Application to stochastic metamaterials [0.34376560669160394]
  本研究の目的は,対象のマクロなストレス応答を実現する構造を同定することである。 各候補設計について、応答は高忠実度オラクルから得られる。 ベイズ誘導型逆設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T21:09:57Z)
• Reasoning Planning for Language Models [23.519351730129426]
  本稿では,コントラスト学習フレームワークであるEPICを紹介する。 EPICは、モデル推論能力とクエリメソッド互換性の両方をキャプチャする共有表現空間を学習する。 多様な数学的推論タスクの実験は、EPICが常に最適な推論方法を選択することを示している。
  論文  参考訳（メタデータ） (2025-11-01T11:51:53Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Conformal Prediction Beyond the Seen: A Missing Mass Perspective for Uncertainty Quantification in Generative Models [20.810300785340072]
  Conformal Prediction with Query Oracle (CPQ)は、これらの目的間の最適な相互作用を特徴付けるフレームワークである。 本アルゴリズムは2つの基本原理に基づいて構築されている。一方は最適なクエリポリシーを規定し、他方はクエリされたサンプルから予測セットへの最適マッピングを定義する。
  論文  参考訳（メタデータ） (2025-06-05T18:26:14Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• Interpretable by Design: Learning Predictors by Composing Interpretable Queries [8.054701719767293]
  機械学習アルゴリズムは設計によって解釈されるべきである。 正確な予測に必要なクエリの数を最小限に抑える。 視覚とNLPタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2022-07-03T02:40:34Z)
• Learning with Differentiable Perturbed Optimizers [54.351317101356614]
  本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。 提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。 本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
  論文  参考訳（メタデータ） (2020-02-20T11:11:32Z)

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。