論文の概要: ArcadeDB in Python: An In-Process Multi-Model Database

• arxiv url: http://arxiv.org/abs/2611.07971v1
• Date: Thu, 05 Nov 2026 13:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.693409
• Title: ArcadeDB in Python: An In-Process Multi-Model Database
• Title（参考訳）: PythonのArcadeDB: プロセス内のマルチモデルデータベース
• Abstract要約: ArcadeDBはJavaで書かれたオープンソースのマルチモデルデータベースエンジンである。 3つのアクセスパターンすべてをサポートし、ホストプロセスに組み込むことができる。 1つのインストレーションは、ドキュメント、プロパティグラフ、ベクタ検索を備えたデータベースを提供し、Javaのインストレーションを必要としない。
• 参考スコア（独自算出の注目度）: 0.5648238229750263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Some Python workflows need transactional reads and writes over documents, traversals over a graph, and similarity search over vector embeddings. In practice these are split across separate systems (a document store, a graph engine, and a vector index), and the data is copied between them and kept consistent by application code. ArcadeDB is an open-source multi-model database engine, written in Java, that supports all three access patterns and can be embedded in a host process. We present arcadedb-embedded, a Python package that runs ArcadeDB inside the Python process via JPype, using a Java Runtime Environment bundled in the wheel. One pip install gives a database with documents, a property graph, and vector search, and needs no Java installation. Query results can be returned as Python lists, NumPy arrays, pandas DataFrames, or Arrow tables. We demonstrate a hybrid retrieval workflow that chains vector search, SQL filtering, and graph traversal over one dataset. We benchmark arcadedb-embedded against SQLite, DuckDB, LadybugDB, and Chroma, and report its costs.
• Abstract（参考訳）: いくつかのPythonワークフローでは、ドキュメント上のトランザクション読み込みと書き込み、グラフ上のトラバーサル、ベクトル埋め込み上の類似性検索が必要である。 実際には、これらは別々のシステム(ドキュメントストア、グラフエンジン、ベクトルインデックス)に分割され、データはそれらの間でコピーされ、アプリケーションコードによって一貫性を保つ。 ArcadeDBはJavaで書かれたオープンソースのマルチモデルデータベースエンジンで、3つのアクセスパターンすべてをサポートし、ホストプロセスに組み込むことができる。 JPypeを通じて、Pythonプロセス内でArcadeDBを実行するPythonパッケージであるarcadedb-embeddedを、車輪にバンドルされたJava Runtime Environmentを使って提示する。 1つのipインストレーションは、ドキュメント、プロパティグラフ、ベクトル検索を備えたデータベースを提供し、Javaインストレーションを必要としない。 クエリ結果はPythonリスト、NumPy配列、pandas DataFrames、Arrowテーブルとして返される。 我々は、ベクトル検索、SQLフィルタリング、グラフトラバースを1つのデータセット上にチェーンするハイブリッド検索ワークフローを実証する。 SQLite、DuckDB、LadybugDB、Chromaに組み込まれたarcadedbをベンチマークし、そのコストを報告します。

関連論文リスト

• OWLAPY: A Pythonic Framework for OWL Ontology Engineering [7.984370990908576]
  OWLAPYは、OWL 2.0の作成、修正、シリアライズのための包括的なPythonフレームワークである。 ネイティブのPythonベースの推論と外部Java推論のサポートを統合し、ユーザに柔軟性を提供する。 OWLAPYは、高度なエンジニアリングのための柔軟なPythonライブラリを求めているユーザのための、十分にテストされたソフトウェアフレームワークとして機能する。
  論文  参考訳（メタデータ） (2025-11-11T13:32:14Z)
• pyGinkgo: A Sparse Linear Algebra Operator Framework for Python [0.0]
  pyGinkgoはGinkgoライブラリの軽量でPython的なインターフェースである。 pyGinkgoは、Pybind11とaPyとPyTorch互換インターフェースを介してGinkgoの機能を公開することで、高性能なC++バックエンドとPythonのギャップを埋める。
  論文  参考訳（メタデータ） (2025-10-09T13:55:51Z)
• Kamae: Bridging Spark and Keras for Seamless ML Preprocessing [0.0]
  KamaeはPythonライブラリで、PySparkの前処理パイプラインを同等のKerasモデルに変換することでギャップを埋める。 このフレームワークは、MovieLensデータセットやExpediaのLearning-to-Rankパイプラインなど、現実世界のユースケースで説明されている。
  論文  参考訳（メタデータ） (2025-07-08T14:30:10Z)
• pyvene: A Library for Understanding and Improving PyTorch Models via Interventions [79.72930339711478]
  $textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。 私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
  論文  参考訳（メタデータ） (2024-03-12T16:46:54Z)
• DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
  DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。 固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
  論文  参考訳（メタデータ） (2022-05-04T08:41:59Z)
• PyGOD: A Python Library for Graph Outlier Detection [56.33769221859135]
  PyGODは、グラフデータの外れ値を検出するオープンソースライブラリである。 外れ値検出のための主要なグラフベースのメソッドを幅広くサポートしています。 PyGODはBSD 2-Clauseライセンスの下でhttps://pygod.orgとPython Package Index (PyPI)でリリースされている。
  論文  参考訳（メタデータ） (2022-04-26T06:15:21Z)
• PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
  PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
  論文  参考訳（メタデータ） (2022-01-12T07:32:36Z)
• Using Python for Model Inference in Deep Learning [0.6027358520885614]
  pythonで推論を実行しながら、パフォーマンスとパッケージングの制約を満たす方法を示します。 複数のPythonインタプリタを単一のプロセスで使用して,スケーラブルな推論を実現する方法を提案する。
  論文  参考訳（メタデータ） (2021-04-01T04:48:52Z)
• Data Engineering for HPC with Python [0.0]
  データエンジニアリングは、さまざまなデータフォーマット、ストレージ、データ抽出、変換、データ移動を扱う。 データエンジニアリングの1つのゴールは、データを元のデータから、ディープラーニングや機械学習アプリケーションで受け入れられるベクトル/行列/テンソルフォーマットに変換することである。 データを表現および処理するためのテーブル抽象化に基づく分散Python APIを提案する。
  論文  参考訳（メタデータ） (2020-10-13T11:53:11Z)
• mvlearn: Multiview Machine Learning in Python [103.55817158943866]
  mvlearnは、主要なマルチビュー機械学習メソッドを実装するPythonライブラリである。 パッケージはPython Package Index(PyPI)とcondaパッケージマネージャからインストールできる。
  論文  参考訳（メタデータ） (2020-05-25T02:35:35Z)

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。