QueryBandits for Hallucination Mitigation: Exploiting Semantic Features for No-Regret Rewriting
JP Morgan AI Research(摩根大通人工智能研究)
本文提出 QueryBandits 赌博机框架,利用查询的 17 个语义特征动态选择重写策略以主动缓解大语言模型幻觉,在 13 个问答基准上显著优于无重写基线和静态提示方法,并证明静态重写可能加剧幻觉且不存在全局最优的单一重写策略。
2025-08-22 cs.AI cs.CL cs.LG
Query Rewriting for Retrieval-Augmented Large Language Models
Shanghai Jiao Tong University(上海交通大学);Microsoft Research Asia(微软亚洲研究院);Microsoft Azure AI(微软Azure人工智能部门)
本文提出Rewrite-Retrieve-Read框架,通过强化学习训练小型语言模型作为查询重写器,优化检索增强LLM的搜索查询,在开放域和多选QA任务上取得一致性能提升。
2023-10-23 cs.CL
No One Size Fits All: QueryBandits for Hallucination Mitigation
JPMorgan AI Research(摩根大通人工智能研究院)
QueryBandits通过在线学习优化查询重写策略,有效缓解闭源模型中的幻觉问题,优于传统静态策略。
2026-02-23 cs.AI cs.CL cs.LG
Ask Optimal Questions: Aligning Large Language Models with Retriever's Preference in Conversation
Korea University(韩国大学);KAIST AI(韩国科学技术院人工智能研究中心);Seoul National University(首尔国立大学);AIGEN Sciences(AIGEN科学)
针对对话式搜索中现有重写-检索方法查询重写效果不佳的问题,提出RetPO框架,通过构建含41万+重写反馈的RF collection数据集微调小模型,实现与检索器偏好对齐,性能超现有SOTA。
2025-06-16 cs.CL cs.IR
Boosting Long-Context Management via Query-Guided Activation Refilling
Beijing Academy of Artificial Intelligence(北京人工智能研究院);Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);University of Science and Technology of China(中国科学技术大学)
针对长上下文处理中KV缓存效率与动态信息需求不匹配的问题,提出查询引导的激活重填(ACRE)方法,通过双层缓存及代理重填机制融合全局与局部信息,在多个数据集上提升性能与效率。
2025-05-23 cs.AI cs.CL cs.IR
MaFeRw: Query Rewriting with Multi-Aspect Feedbacks for Retrieval-Augmented Large Language Models
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing(北京未来区块链与隐私计算高精尖创新中心);Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能研究院);Beijing Academy of Blockchain and Edge Computing(北京区块链与边缘计算研究院);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
本文提出MaFeRw方法,通过整合检索过程与生成结果的多方面密集反馈,并利用PPO算法优化查询重写策略,有效提升了对话式RAG系统的生成质量与训练稳定性。
2024-12-19 cs.CL
Enhancing Retrieval and Managing Retrieval: A Four-Module Synergy for Improved Quality and Efficiency in RAG Systems
University of Technology Sydney(悉尼科技大学)
针对现有RAG系统存在的单查询信息平台效应、歧义、无关知识及冗余检索问题,提出含查询重写器+、知识过滤器等的四模块协同方案,经六个QA数据集验证可同时提升响应质量与效率。
2024-07-15 cs.AI cs.CL
Reliable Answers for Recurring Questions: Boosting Text-to-SQL Accuracy with Template Constrained Decoding
Department of Computer Science and Engineering, Indian Institute of Technology Bombay(计算机科学与工程系,印度理工学院班加罗尔)
本文提出TeCoD系统,通过利用标注工作负载中查询模式的重复性,提升文本到SQL的准确性,并在匹配查询上降低延迟。
2026-04-30 cs.AI cs.CL cs.DB
Learned Graph Rewriting with Equality Saturation: A New Paradigm in Relational Query Rewrite and Beyond
University of Cambridge(剑桥大学)
本文提出Aurora系统,将等式饱和与图强化学习结合,用于关系查询重写,生成SQL计划速度比现有等式饱和求解器快数个数量级,且与主流优化器竞争力相当。
2024-06-19 cs.DB cs.LG
QUITE: A Query Rewrite System Beyond Rules with LLM Agents
Sichuan University(四川大学);Cornell University(康奈尔大学);Purdue University(普渡大学);Hong Kong University of Science and Technology(香港科学与技术大学);Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心)
QUITE利用LLM代理超越规则,通过多代理框架、中间件和提示注入技术实现更高效的SQL查询重写,提升性能并覆盖更广的查询模式。
2026-01-02 cs.AI cs.DB
HoTTSQL: Proving Query Rewrites with Univalent SQL Semantics
每个数据库系统都包含一个执行查询重写的查询优化器。不幸的是,开发查询优化器仍然是一项极具挑战性的任务。部分挑战来自于查询语言的复杂性和丰富特性,这使得重写规则的推理变得困难。在本文中,我们提出了一个机器可检查的指称语义的SQL,事实上的语言为关系数据库,严格验证重写规则。与以前提出的非机械化或仅涵盖少量SQL语言功能的语义不同,我们的语义涵盖了SQL的所有主要功能,包括包,相关子查询,聚合和索引。我们的机械化语义,称为HoTTSQL,是基于K-关系和同伦类型论,其中我们表示关系作为数学函数从元组到单价类型。我们已经在Coq中实现了HoTTSQL,它只需要不到300行代码,并且已经证明了广泛的SQL重写规则,包括来自数据库研究文献的规则(例如,魔术集重写)和真实世界的查询优化器(例如,子查询消除)。这些重写规则中有几条以前从未被证明是正确的。此外,虽然查询等价性通常是不可判定的,但我们已经使用HoTTSQL实现了一个自动决策过程,用于合取查询:一个经过充分研究的可判定SQL片段,包含许多真实世界的查询。
2016-08-05 cs.DB cs.LO cs.PL
An Extensible and Verifiable Language for Query Rewrite Rules
University of California, Berkeley(加州大学伯克利分校);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
Rulescript 提供一种通用查询重写规则开发语言,通过分离规则定义与执行基础设施,实现规则的自动验证和跨引擎移植,减少重写规则开发的工程成本和错误风险。
2026-05-07 cs.DB
Efficient Query Rewrite Rule Discovery via Standardized Enumeration and Learning-to-Rank(extend)
Shenzhen Institute of Computing Science, Shenzhen University(深圳大学计算科学研究所);Tencent Inc.(腾讯公司)
SLER通过标准化枚举和学习排序方法,高效发现大规模查询重写规则,构建超过100万条规则的库,支持复杂查询计划模板。
2026-03-06 cs.DB
Improving Topic Relevance Model by Mix-structured Summarization and LLM-based Data Augmentation
Sichuan University(四川大学)
本文通过混合结构摘要与基于LLM的数据增强方法,提升社交搜索中查询与文档的主题相关性建模性能。
2025-12-10 cs.CL cs.IR
SPA: A SQL-Plan-Aware Reinforcement Learning Framework for Query Rewriting with LLMs
Simon Fraser University(西蒙菲莎大学)
提出SPA框架,利用物理执行反馈训练LLM重写SQL查询,通过概率门控自适应奖励塑形和策略自改进,显著提升端到端运行时性能并减少有害重写。
2026-06-07 cs.DB
Optimizing Distributed Protocols with Query Rewrites [Technical Report]
本文借鉴查询优化思想,提出通过规则驱动重写扩展分布式协议,利用顺序不敏感性和数据依赖性分析识别无协调扩展机会,实现解耦和分区,使2PC吞吐量提升5倍、Paxos提升3倍,为自动化优化器奠定基础。
2024-04-03 cs.DB cs.DC
Query-based Cross-Modal Projector Bolstering Mamba Multimodal LLM
Korea Advanced Institute of Science and Technology / Korea, Republic of(韩国科学技术院);University of Illinois in Urbana-Champaign / United States of America(伊利诺伊大学厄巴纳-香槟分校);Korea University / Korea, Republic of(韩国大学)
提出基于查询的跨模态投影器,通过交叉注意力压缩视觉令牌,消除手动设计2D扫描顺序的需求,提升Mamba多模态LLM的性能和吞吐量。
2026-06-03 cs.CL
BERTese: Learning to Speak to BERT
School of Computer Science, Tel Aviv University(特拉维夫大学计算机科学学院);Allen Institute for AI(艾伦人工智能研究所)
大型预训练的语言模型已被证明在其参数中编码了大量的世界和常识知识,从而引起了人们对提取这些知识的方法的极大兴趣。在过去的工作中,知识是通过手动编写查询并使用单独的管道收集释义来提取的。在这项工作中,我们提出了一种方法,自动重写查询成“BERTese”,一个释义查询,直接优化更好的知识提取。为了鼓励有意义的重写,我们添加了辅助损失函数,以鼓励查询对应于实际的语言标记。我们的经验表明,我们的方法优于竞争基线,避免了复杂的管道的需要。此外,BERTese还提供了对语言类型的一些深入了解,这些语言类型有助于语言模型执行知识提取。
2021-03-11 cs.CL cs.LG
Document Optimization for Black-Box Retrieval via Reinforcement Learning
Stanford University(斯坦福大学);ContextualAI
提出通过强化学习(GRPO)优化文档表示,使其与目标检索器的查询分布对齐,仅需黑盒访问检索排名,在代码和视觉文档检索任务中提升性能,使小模型超越大模型。
2026-10-08 cs.CL cs.IR
Improving Retrieval in Sponsored Search by Leveraging Query Context Signals
Microsoft(微软公司)
本文提出利用网络搜索结果和GPT-4生成的查询上下文信号增强赞助搜索中的查询理解,并通过Fusion-in-Decoder架构和上下文瞥见策略提升稠密与生成式检索性能,离线实验和在线A/B测试均验证了其在用户参与度和收入上的显著改进。
2024-10-18 cs.CL cs.IR
CardRewriter: Leveraging Knowledge Cards for Long-Tail Query Rewriting on Short-Video Platforms
GSAI, Renmin University of China(GSAI,中国人民大学)
针对短视频平台长尾查询重写问题,提出基于LLM的CardRewriter框架,通过构建多源知识卡片引导模型生成有效重写,经两阶段训练优化后部署于快手,显著提升了检索与点击指标。
2025-10-11 cs.CL cs.IR
ConvSearch-R1: Enhancing Query Reformulation for Conversational Search with Reasoning via Reinforcement Learning
Fudan University(复旦大学);ByteDance Inc(字节跳动公司);University of New South Wales(新南威尔士大学)
提出ConvSearch-R1框架,通过强化学习两阶段方法消除外部监督依赖,利用检索信号优化会话查询重构,在TopiOCQA数据集上实现超10%提升。
2025-09-14 cs.CL cs.IR
Maliva: Using Machine Learning to Rewrite Visualization Queries Under Time Constraints
我们考虑数据可视化系统,其中中间件层将前端请求转换为SQL查询,并将其转换为后端数据库以计算可视化结果。我们研究的问题,回答可视化请求在有限的时间限制内,由于响应要求。我们探索的优化选项重写原始查询添加提示和/或做近似,使总时间内的时间约束。我们开发了一种新的中间件解决方案,称为Maliva基于机器学习(ML)技术。它应用马尔可夫决策过程(MDP)模型来决定如何重写查询,并使用训练实例来学习代理明智地为在线请求做出一系列决策。我们给出了一个完整的技术规范,包括如何构建一个MDP模型,如何训练代理,以及如何使用近似重写选项。我们在真实数据集和合成数据集上的实验表明,Maliva在交互式服务请求的概率和查询执行时间方面的表现明显优于不做任何重写的基线解决方案。
2022-02-14 cs.DB
SQL-RewriteBench: A Correctness-Gated, Full-Denominator Benchmark for Statement-Level SQL Rewriting [Experiment,Analysis & Benchmark]
Zhejiang University(浙江大学);Huawei Company(华为公司)
研究语句级SQL重写,提出SQL-RewriteBench基准测试,应用正确性门控和全分母计算,其指标套件可区分多种指标,定义了SCS和CGOQ,提供多个可执行实例,通过测试发现现有方法存在问题,强调可部署SQL重写需多方面改进。
2026-08-18 cs.DB
The Case for Intent-Based Query Rewriting
RPTU Kaiserslautern-Landau(莱茵兰-普法尔茨应用技术大学凯泽斯劳滕-兰道分校)
本文提出INQURE系统,通过大型语言模型实现基于意图的查询重写,以解决数据访问限制问题。
2025-11-25 cs.DB
Geo: A Query Rewrite Framework for Graph Pattern Mining
Simon Fraser University(西蒙菲莎大学)
提出一个可编程的模式匹配查询优化器Geo,通过重写规则自动管理等价关系,确保正确性并简化子结构等价管理,实现高达99%的成本降低。
2026-05-25 cs.DB cs.PL
Simrank++: Query rewriting through link analysis of the click graph
我们专注于赞助搜索的查询重写问题。我们基于历史点击图进行重写,该图记录了响应过去用户查询而点击的广告。给定查询q,我们首先考虑Simrank作为识别与q类似的查询的方式,即,查询用户可能对哪些广告感兴趣。我们认为,Simrank未能正确识别我们的应用程序中的查询相似性,我们提出了两个增强版本的Simrank:一个利用点击图边缘的权重,另一个利用``证据。我们通过实验评估我们的新方案,使用实际的点击图和来自雅虎的查询,and using运用a variety品种of metrics指标.我们的结果表明,增强的方法可以产生更多,更好的查询重写。
2007-12-04 cs.DB cs.DL cs.IR
DAGSmith: Dependency-Aware Rewriting for dbt-Style SQL Pipelines
University of Michigan(密歇根大学)
DAGSmith是首个面向dbt风格SQL流水线DAG的依赖感知源到源重写系统,在Tuva dbt项目上可缩短运行时间、降低计算成本,效果优于现有单查询重写方法。
2026-08-25 cs.DB
Instrumentation and Analysis of Native ML Pipelines via Logical Query Plans
BIFOLD;TU Berlin(柏林工业大学)
本文提出从机器学习流水线代码中提取逻辑查询计划,自动推断语义并进行插桩与重写,以支持数据溯源筛查和假设分析等用例,无需人工标注代码。
2024-07-10 cs.DB cs.LG cs.SE
Query Rewriting via LLMs
本文提出 LITHE 系统,结合提示词集成、数据库敏感规则与 token 概率引导重写,并用逻辑和统计工具校验语义,显著提升复杂 SQL 查询性能。
2025-09-02 cs.DB
Search Optimization with Query Likelihood Boosting and Two-Level Approximate Search for Edge Devices
该研究针对边缘设备资源受限下的近似最近邻搜索痛点,提出查询似然增强树与两级近似搜索算法,经实验验证可有效降延迟、支持千万级数据集部署,并给出设备端搜索配置优化方案。
2023-12-12 cs.DB cs.IR
Logos: Certified Order-Sensitive SQL Rewrites with Mechanized Semantics and LLM Guidance
Shanghai Jiao Tong University(上海交通大学)
Logos是一款结合Rocq机械化语义与LLM指导的SQL重写验证工具,解决了现有工具的不足,在389个查询对的评估中解决率达86.9%,优于基线工具SQLSolver。
2026-08-18 cs.DB
ReSequel: Robust LLM-assisted Query Rewriting and Optimization using Templatization and Sampling
Concordia University(康考迪亚大学);TU Berlin(柏林工业大学);BIFOLD(柏林数据与人工智能联合实验室)
提出ReSequel,一种利用LLM和元数据(目录、统计信息)通过模板化规则和采样验证来重写SQL查询的优化层,在多个DBMS上实现高达16倍的工作负载加速。
2026-07-14 cs.DB
Prompt as a Data Type: In-Database LLM Prompt Management and Rewriting
Department of Computing and Mathematics University of Sao Paulo(计算机与数学系 乌拉圭圣保罗大学);Department of Information Systems University of Münster(信息系统系 梅茵斯特大学)
研究如何在数据库中管理和重写大语言模型提示。核心方法是引入PromptDB系统,将提示视为元组级数据库值,利用数据库元数据重写提示。主要贡献是创造新优化空间,经实验验证数据库引导重写可提高输出有效性并权衡成本质量。
2026-07-27 cs.DB cs.LG
Exploiting Opportunistic Physical Design in Large-scale Data Analytics
大规模系统,如MapReduce和Hadoop,执行中间作业结果的积极具体化,以支持容错。当作业对应于数据分析师提交的探索性查询时,这些物化会产生大量的物化视图,这些物化视图通常会捕获来自同一分析师的连续查询之间的公共计算,甚至是测试类似假设的不同分析师的查询之间的公共计算。我们建议将这些视图视为机会主义物理设计,并将其用于查询优化的目的。我们开发了一种新的查询重写算法,解决了在这种情况下的两个主要挑战:如何搜索重写的大空间,以及如何推理包含UDF(大规模数据分析中的一个常见功能)的视图。该算法的灵感来自于非度量空间中的最近邻搜索,它可证明地找到了最小成本重写。我们提出了一个广泛的实验研究现实世界的数据集与原型数据分析系统的基础上蜂巢。结果表明,我们的方法可以在复杂的数据分析查询上产生显着的性能改进,平均减少61%的总执行时间,最多减少两个数量级。
2013-12-10 cs.DB cs.DC cs.DS
Schema-based Scheduling of Event Processors and Buffer Minimization for Queries on Structured Data Streams
我们介绍了一个扩展的XQuery语言,FluX,支持基于事件的查询处理和有意识的处理主内存缓冲区。这种语言的基于事件的查询可以以非常直接的方式在流XML数据上执行。然后,我们开发了一种算法,允许有效地重写Xcovery到基于事件的Flux语言。此算法使用来自DTD的顺序约束来调度事件处理程序,从而最小化计算查询所需的缓冲量。我们讨论了我们的框架内的查询优化和查询评估的各种技术方面。这是补充与我们的方法的实验评估。
2004-06-07 cs.DB
QueryBooster: Improving SQL Performance Using Middleware Services for Human-Centered Query Rewriting
QueryBooster提出基于中间件的服务架构,通过VarSQL规则语言和示例学习,实现以人为中心的SQL查询重写,提升端到端查询性能。
2023-05-14 cs.DB
A partition-based Summary-Graph-Driven Method for Efficient RDF Query Processing
RDF查询优化是一个具有挑战性的问题。虽然大量的因素及其对查询效率的影响已经被研究,这个问题仍然需要进一步的研究。我们发现,分解成一系列的轻量级操作的查询也是有效的提高查询处理。考虑到RDF数据的链接性质,应该小心处理操作之间的相关性。在本文中,我们提出了SGDQ,一个新的框架,具有基于分区的摘要图驱动查询高效的查询处理。基本上,SGDQ将数据分区,并将分区模型作为汇总图。查询被分解为子查询,这些子查询可以在没有分区间处理的情况下被回答。通过执行摘要图匹配并连接所有匹配的子查询生成的结果来获得最终结果。从本质上讲,SGDQ结合了图匹配处理和基于关系连接的查询实现的优点。它通过以摘要图驱动的方式组织子查询处理来有意避免维护巨大的中间结果。我们广泛的评估表明,SGDQ是一个有效的框架,高效的RDF查询处理。其查询性能始终优于代表性的最先进的系统。
2015-10-27 cs.DB
Optimizing Machine Learning Inference Queries with Correlative Proxy Models
我们考虑加速非结构化数据集上的机器学习(ML)推理查询。诸如特征提取器和分类器之类的昂贵操作符被部署为用户定义函数(UDF),这不能被诸如谓词下推之类的经典查询优化技术穿透。最近的优化方案(例如,Probably Predicates(PP)假设查询谓词之间的独立性,为每个谓词离线构建代理模型,并通过将这些廉价的代理模型注入到昂贵的ML UDF的前面来重写新的查询。以这种方式,不满足查询谓词的不太可能的输入被早期过滤以绕过ML UDF。我们表明,在这种情况下,强制执行的独立性假设可能会导致次优的计划。在本文中,我们提出了CORE,这是一种查询优化器,可以更好地利用谓词相关性并加速ML推理查询。我们的解决方案为新查询在线构建代理模型,并利用分支绑定搜索过程来降低构建成本。三个真实世界的文本,图像和视频数据集的结果表明,CORE提高查询吞吐量高达63%相比,PP和高达80%相比,运行的查询,因为它是。
2022-01-02 cs.DB
Efficient Enumeration of Recursive Plans in Transformation-based Query Optimizers
本文提出 RLQDAG,通过带注释等价节点、分组重写规则和增量注释维护扩展 LQDAG,以支持递归查询的计划空间高效枚举,并验证其显著性能提升。
2024-04-04 cs.DB
Solving linear programs on factorized databases
解决线性规划问题的典型工作流程是首先用Math GNU Prog或AMPL等语言编写一个由数据参数化的线性程序,然后在提供数据的同时调用该程序的求解器。当使用数据库上的查询提取数据时,这种方法忽略了答案集的底层结构,如果答案集很大,则可能导致线性规划的大小爆炸。本文研究了变量为合取查询答案的线性规划问题的求解问题。我们表明,可以利用结构的查询重写线性规划,使其大小仅取决于数据库的大小,而不是答案集的大小。更确切地说,我们给出了一种通用的方法,将其变量为Q(D)中的元组的线性规划重写为具有仅取决于Q(D)的因子分解表示的大小的变量的线性规划,当Q的分数超树宽度有界时,Q(D)的因子分解表示可以小得多。
2019-07-19 cs.DB
Secure Querying of Recursive XML Views: A Standard XPath-based Technique
大多数保护XML文档安全的最先进方法都允许用户仅通过授权视图访问数据,这些授权视图是通过使用XML表达式集合注释XML语法(例如DTD)来定义的。为了防止机密信息的不当泄露,用户对这些视图的查询需要重写为对底层文档的等价查询。这种重写使我们能够避免视图物化和维护的开销。这里的一个主要问题是,递归XML视图的查询重写仍然是一个悬而未决的问题。为了克服这个问题,已经提出了一些工作来将非标准查询转换为非标准查询,称为正则非标准查询。然而,在正则表达式下的查询重写可能是指数级的,因为它依赖于自动机模型。最重要的是,定期检查仍然是一项理论成就。实际上,由于没有翻译和评价工具,这种方法在实践中并不常用。在本文中,我们表明,查询重写总是可能的递归XML视图只使用的表达能力的标准XML。我们调查的向下类的扩展,只由孩子和后代轴,与一些轴和运营商,我们提出了一个通用的方法来重写查询递归XML视图。与常规的基于XPath的作品,我们提供了一个重写算法,处理查询只在注释的DTD语法,可以在线性时间内运行的查询的大小。实验结果表明,该算法是有效的,规模以及。
2011-12-12 cs.CR cs.DB
On the Semantics of Generative SPARQL
Institute for Artificial Intelligence, University of Stuttgart(斯图加特大学人工智能研究所);University of Southampton(南安普顿大学)
本文扩展SPARQL以支持生成式查询,通过GenOp调用语言模型并生成类型化解映射,在保持固定数据集假设下定义语义,并分析生成式查询模式的语义后果,包括映射级递归,最终证明其复杂性与标准SPARQL一致。
2026-06-24 cs.DB
MTBase: Optimizing Cross-Tenant Database Queries
在过去的十年中,许多业务应用程序已经迁移到云中。特别是,“数据库即服务”模式已成为主流。虽然现有的多租户数据管理系统专注于单租户查询处理,但我们认为现在是时候重新考虑如何跨多租户处理查询,以便我们不仅获得更有价值的见解,而且成本最低。正如我们将在本文中讨论的那样,标准SQL语义不足以以明确的方式处理跨租户查询,这就是为什么现有系统使用其他昂贵的方法,如ETL或数据集成。我们首先提出了MTSQL,一组标准SQL的扩展,它解决了歧义问题。接下来,我们介绍MTBase,一个查询处理中间件,它可以在SQL之上高效地处理MTSQL。正如我们将看到的,有一个规范的、可证明正确的、从MTSQL到SQL的重写算法,但是这可能导致查询执行性能很差,即使是在高性能数据库产品上。我们进一步表明,通过精心设计的优化,可以减少执行时间,从而使单租户查询的差异变得微不足道。
2017-03-13 cs.DB
BoomHQ: Learning to Boost Multiple Hybrid Queries on Vector DBMSs
Peking University(北京大学);ZTE Corporation(中兴通讯股份有限公司)
本文提出BoomHQ框架,通过建模向量与标量属性相关性及捕捉常见查询模式,提升混合查询效率,实验显示在指定召回阈值下,速度提升达2倍以上,且具备数据更新鲁棒性。
2026-04-27 cs.DB
Tailwind: A Practical Framework for Query Accelerators
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);University of Pennsylvania(宾夕法尼亚大学)
Tailwind 提出一个外部查询规划器,允许在支持数据导入导出的 RDBMS 中使用查询加速器。通过抽象逻辑计划(ALPs)自动生成神经网络模型,动态选择加速器以提升查询性能。
2026-08-07 cs.DB
DocETL: Agentic Query Rewriting and Evaluation for Complex Document Processing
UC Berkeley(加州大学伯克利分校);BIDS;Columbia University(哥伦比亚大学)
针对LLM处理复杂非结构化数据准确性不足的问题,提出DocETL系统,通过基于智能体的查询重写与评估机制优化文档处理流水线,在多项任务中准确率提升25%至80%。
2025-04-01 cs.AI cs.DB
GenRewrite: Query Rewriting via Large Language Models
University of Michigan(密歇根大学)
GenRewrite 利用大语言模型实现查询重写,通过自然语言重写规则和反例引导技术提升查询优化效率。
2025-12-02 cs.DB
Towards Practicable Algorithms for Rewriting Graph Queries beyond DL-Lite
本文提出一种针对扩展DL-Lite的ELHI受限片段中导航查询的重写技术,将查询转为Cypher以支持Neo4j图数据库,并在认知神经科学用例上验证了有效性。
2025-04-23 cs.DB cs.LO