文献分享: SIGMOD-24论文集概览

论文集link

1. Keynotes

👇The Limitations of Data, Machine Learning and Us

🏛机构：智利大学

➡️领域：

• Social and professional topics → Computing / technology policy
• Computing methodologies → Machine learning
• Information systems → Data management systems

📚概述：

• 讨论了以下主题
  • 监督学习/输入监督学习的数据的局限
  • 人类适用机器学习时的社会/认知偏见
  • 人工智能使用的监管措施

👇**The Journey to A Knowledgeable Assistant with Retrieval-Augmented Generation (RAG) **

🏛机构：Facebook (Meta)

📚概述：

• 背景：
  • 多个研究领域(DB/NLP/AI)都致力于在一定时间提供正确信息
  • 近年LLM提出，但也可能会输出错误/虚假信息
• 本文工作：
  • 通过实验，评估LLMs在回答事实性问题的可靠性
  • 构建Retrieval-Augmented Generation(RAG)联邦系统，整合LLM训练集以外知识，提高回答可靠性
  • 将RAG用到多模态/不同文化/个性化回答

👇Making Data Management Better with Vectorized Query Processing

📚概述：

• 主要回顾/展望了矢量化查询
• 矢量化查询是啥
  • 传统的查询：逐行处理(tuple-at-a-time)
  • 矢量化查询：每次处理一批固定大小的数据(称之为Vector)，可实现CPU优化/缓存友好等

2. Industry Session

2.1. Query Engines

👇Apache Arrow DataFusion: A Fast, Embeddable, Modular Analytic Query Engine

🏛机构：Apache

📚概述：

• 介绍了Apache Arrow DataFusion：一个基于Apache Arrow的查询引擎，强调快速/可嵌入/可扩展
  • Apache Arrow：跨平台数据处理工具，提供高效的内存模型
  • DataFusion：用Rust编写，具有性能+安全性的优势

👇Unified Query Optimization in the Fabric Data Warehouse

🏛机构：微软

➡️领域：Information systems → Query optimization

📚概述：

• 背景：微软曾推出了Parallel Data Warehouse，是一种查询大量数据的并行系统
• 本文：介绍了微软最新提出的Fabric DW
  • 文章对比了Fabric DW与传统的Parallel Data Warehouse
  • 新的优化器考虑了现代环境中的需求，如动态资源分配/计算存储分离等

**👇Measures in SQL **

🏛机构：Google

➡️领域：

• Information systems → Relational database query languages
• Data analytics
• Online analytical processing

📚概述：

• 背景：SQL已被广泛采用，但传统的SQL任然缺乏可组合计算的能力
• 本文：提出一种新型的附加列，叫做Measure(度量)
  • 如何操作带度量的表：和普通表操作方法一样
  • 带度量的SQL的优势：可在保留SQL语义同时，通过调用Measure解决更复杂的查询
  • 度量如何计算得到：通过上下文(上下文敏感表达式)得到度量的值

👇ByteCard: Enhancing ByteDance’s Data Warehouse with Learned Cardinality Estimation

🏛机构：ByteDance

➡️领域：

• Information systems → Data management systems
• Computing methodologies → Machine learning

📚概述：

• 背景：

  • 关于ByteHouse：字节公司开发的云原生数据分析引擎，用于处理超大规模数据的复杂分析任务

    ⚠️云原生数据库：指专门为云环境设计和优化的数据库系统

  • 关于基数估计：预测查询结果的数量(大小)，直接影响优化器的决策，是有护额的瓶颈所在

• ByteCard的引入：融合最近在基数估计方面的进展，构建了兼顾可靠/实用的基数估计模型

👇Automated Multidimensional Data Layouts in Amazon Redshift

🏛机构：Amazon

➡️领域：

• Information systems → Data layout
• Autonomous database administration
• Online analytical processing engines

📚概述：

• 背景：关于数据布局技术，其是DB/DW中优化存储和访问效率的策略，常见为以下几种

  种类	概述	示例(T=Tuple/A=Attribute)
  行存储	一行数据连续存储	T1/A1→T1/A2→…→T1/An→T2/A1→…→Tm/An
  列存储	一列数据连续存储	T1/A1→T2/A1→…→Tm/A1→T1/A2→…→Tm/An
  排序键	数据按Key排序后存储	N/A
  索引	建立表$\leftrightarrow$内存位置的索引	B+树，哈希表

• 本文的工作1：提出了多维数据布局(MDDL)

  • 核心方法：传统方法是基于一组列对表进行排序，MDDL是基于一组谓词(查询条件)对表进行排序
  • 优点：是的查询高度的定制化

• 本文的工作2：提出一种自动化学习算法，基于历史工作负载，自动学习每个表最佳的MDDL

👇Automated Clustering Recommendation With Database Zone Maps

🏛机构：Oracle

➡️领域：Theory of computation → Database query processing and optimization (theory)

📚概述：一言蔽之，主要讲了区间图/自动聚类在数据仓库中的应用

• 背景：关于区间图(Zone Maps)
  • 结构：将表划分为Zone，存储每个区域的最大/最小值
  • 工作原理：支持查询时，读取区间的最大/最小值，选择跳过/不跳过该区间，从而减少扫描工作量
  • 优势：在按某列排序/聚类处理后的数据上表现优越
• 本文的工作：自动分析工作负载→推荐聚类方案(线性聚类和z-order聚类)→建区间图→提高查询性能

2.2. LLMs and ML Applications

👇Similarity Joins of Sparse Features

🏛机构：Uber

➡️领域：

• Information systems → Clustering
• Theory of computation → MapReduce algorithms

📚概述：提出了Fast Scalable Sparse Joiner (FSSJ)算法，用于在大规模稀疏数据上进行相似性连接

• 一些前置知识和背景
  • 相似性连接：在两个数据集中，找出相似性超过某个阈值的记录对
  • 前缀过滤：相似性连接的一种技术
    • 含义：对比属性的前N个属性(前缀)，如果两个记录的前缀不匹配，则默认不相似
    • 存在的问题：某些元素在数据集中很流行/元素分布极其不均时，过滤效率会下降
  • 稀疏特征：比如平均每个Tuple只有少数Attributes被赋值
• 本文工作：关于FSSJ，引入Quasi-Prefix Filtering的新方法
  • 针对频繁出现的流行元素做出优化，最流行元素不会被当作前缀来过滤
  • 传统前缀过滤需对所有记录排序，然后广播给所有计算结点。准前缀过滤避免了广播操作

👇FinSQL: Model-Agnostic LLMs-based Text-to-SQL Framework for Financial Analysis

🏛机构：浙江大学

➡️领域：Information systems → Structured Query Language

📚概述：金融领域Text-to-SQL的挑战与解决

• 背景：Text-to-SQL
  • 含义：通过自然语言生成SQL
  • 问题与挑战：金融领域缺乏实用的Text-to-SQL基准数据集，现有Text-to-SQL没考虑金融数据库特点
• 本文的工作
  • BULL数据集：收集的一个实用的Text-to-SQL基准数据集
  • FinSQL框架：一个基于大语言模型的Text-to-SQL框架，处理方法包括提示词构建/参数微调/输出校准

👇Rock: Cleaning Data by Embedding ML in Logic Rules

🏛机构：关河智图/深圳计算机研究院

➡️领域：Information systems → Information integration

📚概述：提出一个基于ML的Rock系统，用来清洗Relational Data(就是Relational Database中的数据)

• Rock的核心：结合机器学习/逻辑推理，通过将ML分类器嵌入为谓词来清洗数据
• Rock的清洗任务：注意以下任务在Rock中可做到多任务协同处理
  • 实体解析：将不同事物指向(识别并归类为)一个实体
  • 冲突解决：捕捉不同实体之间的语义不一致(比如数据源1说A是20岁/数据源2说A是30岁)并解决
  • 及时性推断：根据数据的属性值，判断这些值是否过期并更新
  • 不完整信息补全
• Rock的其它功能
  • 自发从数据中发现规则
  • 对大规模数据采取批处理模式
  • 随数据更新而逐步更新

👇Data-Juicer: A One-Stop Data Processing System for Large Language Models

🏛机构：阿里巴巴

➡️领域：Information systems → Information integration

📚概述：提出了一个新的Data-Juicer系统，能够为LLM的训练生成多样化的数据组合(data recipes)

• 背景：数据与LLM
  • 数据在LLM的重要性：LLM的关键在于使用了庞大的/异构的/高质量的数据
  • 数据组合：从不用来源混合而成的数据，用于训练LLM，决定了LLM的性能
• 现有的问题：开源工具无法满足多样化数据需求，以及新数据源
• Data-Juicer能干啥
  • 对于异构且庞大的数据，能高效生成各种数据组合
  • 能更高效评估数据组合对LLMs性能的影响

👇The Hopsworks Feature Store for Machine Learning

🏛机构：Hopsworks(瑞典软件公司)

➡️领域：

• Information systems → Database design and models
• Database management system engines.

📚概述：提出了Hopsworks机器学习特征存储(Feature Store)系统

• 背景：ML系统中的数据管理
  • 含义：是ML-Sys中处理/存储/组织数据，确保数据用于训练推理的过程，是ML-Sys最具挑战的部分
  • 特征存储：管理ML数据的统一平台，贯穿了特征工程/训练/推理
• Hopsworks特征存储平台：用于管理特征数据，解决了如下问题
  • 特征重用：特征在不同机器学习任务中重复使用
  • 数据转换：组织/执行特征过程的数据转换过程
  • 确保一致性：保证特征工程/训练/推理时，数据是正确且一致的

👇COSMO: A Large-Scale E-commerce Common Sense Knowledge Generation and Serving System at Amazon

🏛机构：Amazon

➡️领域：

• Computing methodologies → Knowledge representation and reasoning
• Information systems → Web mining

📚概述：

• 背景：现有电商图谱(产品属性-用户-商家关系)无法有效发现用户意图/反应用户思维
• COSMO是个啥：可扩展系统，基于用户行为→构建用户知识图谱→为搜索导航提供服务
• COSMO构建流程：
  • 知识提取：用LLM从亚马逊大数据中提取初始知识
  • 筛选：引入一个(基于人工标注数据)分类器，判断哪些知识可靠/不可靠并筛选
  • 去噪：采用指令微调，进一步筛掉与人类认知有偏差的知识，最终得到高质量的知识
• COSMO已经被部署在亚马逊的搜索和导航系统中

2.3. Cloud Storage

👇LETUS: A Log-Structured Efficient Trusted Universal BlockChain Storage

🏛机构：蚂蚁集团

➡️领域：

• Information systems → Data management systems
• Security and privacy → Database and storage security

📚概述：提出了LETUS，用于区块链的高效/安全的通用存储系统

• 背景：区块链爆炸增长，传统两层式存储结构已无法满足需求

• LETUS系统的主要特点

  • 打破传统两层架构：将认证数据结构(ADS)放到存储引擎，从而优化了存储和IO
  • 提出了新型ADS：结合Merkle树+增量编码(delta-encoding)功能，称作DMM-Tree
  • 改进的索引机制：基于版本的索引，用变种B树来索引ADS生成的数据页
  • 通用性：适用各种区块链

• LETUS已经在蚂蚁链的商业应用中部署，例如2023年亚运会的NFT项目和数字火炬点燃活动

👇Vortex: A Stream-oriented Storage Engine For Big Data Analytics

🏛机构：Google

➡️领域：Information systems → Stream management

📚概述：提出了Vortex，一个为Google BigQuery构建的实时分析存储引擎，支持对数据流的实时分析

• 背景：
  • 企业需要处理海量数据，尤其是对于连续数据流(streaming data)
  • 传统数据系统分为流处理引擎/批处理系统，后者在处理实时数据时不佳
• 关于Vortex
  • 设计：专为数据流设计但也支持批处理，将两种操作集成到了同一个系统中
  • 能力：处理PB级别的数据摄取(持续流入与分析)，能以亚秒级响应用户的实时查询

👇Native Cloud Object Storage in Db2 Warehouse: Implementing a Fast and Cost-Efficient Cloud Storage Architecture

🏛机构：IBM

➡️领域：Information systems → Database management system engines

📚概述：提出了Db2 Warehouse存储架构的现代化改造，以适应云环境

• 背景
  • 传统小块存储：以4KB大小的数据页为存储单位(适合随机存取/块级IO)，但在云环境数据库中成本高
  • 云对象存储：在处理大规模数据时，比传统小块存储成本更低
• 存在的问题：将传统存储$\stackrel{迁移}{\to }$云对象存储成本巨大，因此需要新的架构
• 对Db2 Warehouse架构的改进
  • 将Log-Structured Merge(LSM)树整合到Db2 Warehouse系统，以管理大规模写入/查询
  • 保留传统数据页格式，避免对传统数据库内核大幅重构

👇ESTELLE: An Efficient and Cost-effective Cloud Log Engine

🏛机构：电子科大/华为

➡️领域：

• Information systems → DBMS engine architectures
• Structured text search

📚概述：提出了ESTELLE，转为云环境设计的日志引擎，用于管理大规模的日志数据

• 背景：
  • 日志的重要性：监控/调试/分析的核心数据
  • 日志的特性：高频写入，低频检索，大量存储；这也是本文模型所要满足的
• ESTELLE的设计与特点
  • 采用了一种低成本日志索引框架，可根据需求灵活引用索引机制
  • 分离计算和存储，以分离读写操作，从而确保系统能同时查询和写入
  • 设计了一个近乎无锁的写入过程，以适应高频快速写入需求
• ESTELLE存储与查询优化
  • 采取对象存储技术(以对象为单位存储，包含数据/元数据/主键)
  • 采取Log Bloom Filter和近似倒排索引，根据场景优化查询

👇TimeCloth: Fast Point-in-Time Database Recovery in The Cloud

🏛机构：阿里巴巴

➡️领域：

• Information systems → Database utilities and tools
• Point-in-time copies
• Storage recovery strategies
• Database recovery

📚概述：提出了TimeCloth，一种专为云环境设计的通用恢复机制，以优化用户触发的数据库恢复

• 背景：关于用户触发的数据库恢复
  • 特点：相比于因故障触发的恢复，需要更加考量用户的需求，如细粒度(精确程度)/时间点
  • 现有方案：与底层数据库引擎高度集成，难以处理用户触发的恢复
• TimeCloth的设计：专注实现次线性恢复时间，满足用户对恢复的特定要求
  • 恢复模块：包括了几种机制，高效日志过滤/将非冲突日志并行回放/合并日志以减少工作量
  • 导入模块：实现了透明的基于FUSE的延迟加载机制+智能预取功能
• TimeCloth已经在阿里云上投入生产

2.4. Cloud Databases

👇Proactive Resume and Pause of Resources for Microsoft Azure SQL Database Serverless

🏛机构：微软

➡️领域：Computer systems organization → Self-organizing autonomic computing

📚概述：提出了一种针对云数据库的主动资源分配基础设施，并用于无服务器的Azure SQL数据库

• 背景：为云数据库分配资源
  • 反应式：传统的方法，即根据当前需求分配资源
  • 主动式：创新方法，结合当前需求+预期需求来分配资源
• 本文的模型
  • 要干啥：在资源的高可用性/运营成本的降低/主动策略的计算开销之间找到接近最优的平衡点
  • 干了啥：用于管理数百万个无服务器的Azure SQL数据库

👇Vertically Autoscaling Monolithic Applications with CaaSPER

🏛机构：微软

➡️领域：Information systems → Data management systems

📚概述：提出了CaaSPER垂直自动扩展算法，旨在优化Kubernetes平台上DBaaS的资源管理

• 一些基本概念

  • Kubernetes平台：管理云应用程序的开源平台，云应用分为有状态(对DB操作有赖于历史数据)/无状态
  • 垂直扩展/水平扩展：增加单个服务器或节点的资源来提升处理能力/增加服务器节点数

  ⚠️Kubernetes通过垂直扩展来应对负载波动

• 现状问题

  • Kubernetes平台上，客户为应对峰值负载会过度分配资源(负载下降时也没有缩减资源)
  • 现有的垂直自动扩展工具在及时缩减资源或应对CPU限流时表现不佳

• CaaSPER的提出

  • 是个啥：结合反应式(负载临界时主动调整)+主动式(预测负载变化以主动调整)的垂直自动扩展算法
  • 为了啥：保持最佳的CPU利用率，减少资源浪费
  • 其它特性：允许用户选择能效模式/性能模式，可扩展性(与平台无关)

👇Flux: Decoupled Auto-Scaling for Heterogeneous Query Workload in Alibaba AnalyticDB

🏛机构：阿里巴巴

➡️领域：

• Information systems → Data warehouses
• Autonomous database administration

📚概述：提出了Flux，一个专为阿里巴巴AnalyticDB设计的云原生负载自动扩展平台，用于优化异构查询

• 背景(当前遇到的问题)
• 云数据仓库需要处理各种异构工作负载，比如在线事务/临时查询/ETL(抽取+转换+加载)
• 当长/短期查询混合执行时，并发控制+多任务执行会过于复杂
• 传统自动扩展机制在处理混合工作时，可能导致资源利用不平衡(有些过度分配/有些又不足)
• 关于Flux
• 是啥：云原生的自动扩展平台，具有解耦的自动扩展架构，专用于处理异构查询工作负载
• 架构：
  • 性能优化：将长/短期查询机制分开处理$\to$消除了传统系统中由于并发控制导致的瓶颈
  • 资源弹性：利用无服务器容器实例来动态分配资源$\to$资源分配可快速响应负载变化

👇Intelligent Scaling in Amazon Redshift

🏛机构：Amazon

➡️领域：

• Information systems → DBMS engine architectures
• Relational parallel and distributed DBMSs
• Autonomous database administration
• Online analytical processing engines

📚概述：提出了基于AI的RAIS，用于解决云数据仓库在处理多样化工作负载时的自动扩展问题

• 背景：阿里巴巴和亚马逊真是神奇的对手，两篇论文的论调都差不多，什么工作负载多样云云
• 关于RAIS
  • 是啥：一组基于AI驱动的扩展/优化技术
  • 干啥：确保数据仓库能根据负载需求，从垂直/水平扩展(动态调整)资源
  • 咋干：动态(响应)分配资源+自动优化数据仓库规模，这二者都是基于AI所完成的

👇Stage: Query Execution Time Prediction in Amazon Redshift

🏛机构：Amazon/MIT

➡️领域：

• Information systems → Database performance evaluation;
• Relational database model

📚概述：这个好理解，就是一种新的查询时间预测器，称之为Stage predictor，应用在Amazon Redshift

• 背景：
  • 在DBMS中查询时间的准确预测极为关键，关系到优化/资源分配等
  • 现有预测技术存在一些问题，比如Cold Start(无历史数据时表现差)，工作负载变化大时预测不准
• Stage predictor：一个分层执行的时间预测器，结合了以下三种模型
  • 执行时间缓存：缓存过去的执行时间，预测时优先使用历史数据
  • 轻量级本地模型：针对特定数据库实例进行优化，即对每个实例个性化预测
  • 复杂的全局模型：一个可在Redshift实例剑转移的复杂模型，基于不同实例的共享知识预测

2.5. Cloud Database Architecture

👇PolarDB-MP: A Multi-Primary Cloud-Native Database via Disaggregated Shared Memory(最佳论文)

🏛机构：阿里巴巴

➡️领域：Information systems → Relational database model

📚概述：提出了PolarDB-MP，多主结构+云原生数据库，旨在解决主从数据库中写入吞吐量受限问题

• 关于什么是主从数据库

  • 主数据库：位于核心结点，处理所有写操作，将写操作同步到从数据库
  • 从数据库：位于辅助结点，处理所有读操作，接收来自主数据库的更新从而保持一致

  🌘这种做法的好处在于提高了读性能，坏处在于写必须经过主数据库→限制了写性能

• 关于PolarDB-MP

  • 是多主数据库，即允许多个结点成为主数据库，分散了写的负载
  • 利用了==分离式共享内存和存储==架构
    • 分离式架构：计算资源与存储资源分开设置在不同结点，二者都可独立扩展
    • 共享内存/存储：多个结点可访问同一组内存/存储资源，本模型实质上每个结点可访问所有数据
  • 允许事务在单个节点上处理

• 关于PolarDB-MP的核心组件Polar Multi-Primary Fusion Server (PMFS)

  • 设计思想：建立在分离式内存共享上，负责全局事务调节+缓冲区融合，采取了远程直接内存访问
  • 主要功能：事务融合(跨结点事务一致)，缓冲区融合(跨结点内存共享)，锁融合(跨界点并发控制)

• 关于PolarDB-MP引入的LLSN设计：为不同结点生成的写前日志，建立一个部分顺序的结构

👇Amazon MemoryDB: A Fast and Durable Memory-First Cloud Database

🏛机构：Amazon

➡️领域：Information systems → Main memory engines

📚概述：提出了基于云内存的数据库服务Amazon MemoryDB for Redis

• 关于Amazon MemoryDB for Redis的主要特点
  • 内存高性能：MemoryDB将数据直接放在内存中，可以高速读写
  • 高耐久性：除了将数据放在内存中，MemoryDB还会异步地将数据复制到外存中，防丢失
  • 与Redis：MemoryDB基于Redis，兼容Redis(在Redis上运行的app可直接在MemoryDB上运行)
  • 可扩展性：用户可按需(负载增加时)扩展存储/计算资源
  • 高可用性：可多区部署，多区备份

👇Extending Polaris to Support Transactions

🏛机构：微软

➡️领域：Information systems → Data management systems

📚概述：对Polaris系统的增强

• 关于Polaris：一个云原生的分布式查询处理器

  • 传统的Polaris：仅支持只读事务(查询)
  • 增强的Polaris：支持所有常规事务(插入/删除/更新/加载)

• 关于日志结构存储

  • 原理：当插入/跟新/删除时，先把变更按顺序写入日志，一段时间后合并执行日志以更改实际数据
  • 不可变性：一旦数据被写入，就不会再发生改变，新的数据不会覆盖而是追加 (避免了频繁磁盘修改)

  🌊增强的Polaris正是采用了日志结构存储，利用其不可变性，大大提高了写入效率

• 其它Polaris的技术特性

  • 使用快照隔离语义(Snapshot Isolation/一种事务隔离级别)来保持数据一致，支持多表/多语句事务
  • 支持T-SQL，即为微软的Fabric平台提供完整的T-SQL支持

👇BigLake: BigQuery’s Evolution toward a Multi-Cloud Lakehouse

🏛机构：Google

➡️领域：Information systems → Data management systems engines

📚概述：介绍了BigLake的设计及其在Google Cloud的BigQuery中的演变

• BigQuery是啥：Google Cloud的云原生分布式查询处理器

• 现今遇到的挑战

  • 数据管理的复杂性：很多企业需要统一管理数据仓库/数据湖，但这又是俩不同结构的系统

    结构	简单说明
    数据库	用于实时存储、管理结构化数据，支持事务处理。
    数据仓库	集成多个数据源，用于大规模数据分析和报表生成。
    数据湖	存储原始、未处理的多种格式数据，支持大数据分析和机器学习。

  • 如何整合不同格式的数据和表格

  • 非结构化数据的处理：AI/ML工作负载处理需要处理的正是非结构化的数据，如何让它们高效处理？

  • 多云部署：很多企业会用不同的云平台，如何让多个云平台运行相同服务？

• BigLake：通过以下创新，是的数据仓库和数据湖得以结合

  • BigLake Tables：使得BigQuery能处理分析不同格式的数据
  • BigLake Object Tables：使BigQuery能处理非结构化数据，从而进行AI/ML处理
  • Omni平台：使得BigQuery可以在非谷歌云平台运行

👇Predicate Caching: Query-Driven Secondary Indexing for Cloud Data Warehouses

🏛机构：Amazon

➡️领域：

• Information systems → Data scans
• Online analytical processing engines
• Data warehouses

📚概述：提出了云数据仓库中提高查询性能的新方法，叫做谓词缓存

• 背景

  • 云数据仓库(比如Amazon Redshift)已成为查询处理的标准
  • 用户和系统经常发送相同的查询，导致查询性能遇到瓶颈
  • 当前系统的优化有赖于查询结果的缓存，但结果缓存会因为插入/删除/更新而过时

• 为了解决上述问题，提出了谓词缓存(一种新的二级索引)

  • 是啥：一种用于优化数据库查询性能的二级索引技术
  • 干啥：解决传统缓存方法，在处理重复查询时面临的缓存过时问题

• 谓词缓存的原理：以如下为例子阐述

  UserID (基础表)	Name	Age
  1	Alice	25
  2	Bob	30
  3	Carol	35
  4	Dave	40

  SELECT * FROM Users WHERE Age > 30; -- 查询结果如下
  

  UserID (结果表)	Name	Age
  3	Carol	35
  4	Dave	40

  • 传统的查询：缓存结果表的结果，下次发起相同查询时(若基础表没更新)直接输出缓存
  • 谓词缓存查询：不会缓存结果，转而缓存基础表中满足查询条件的对象的范围，例如
    • 缓存：执行上述查询，缓存会记录范围[35, 40]
    • 更新：当基础表发生改变时，缓存也只要改变谓词范围(相比换掉整个结果表好得多)
    • 再查询：利用缓存的范围信息，快速定位符合的数据

• 谓词缓存的其它特性

  • 可在查询执行时动态构建(摘要里也没细说)
  • 谓词缓存是轻量级的(还是那句话，比缓存整张表好多了)，并且能够在线维护

2.6. Graph Data Management

👇BG3: A Cost Effective and I/O Efficient Graph Database in ByteDance

🏛机构：字节

➡️领域：

• Information systems → Data management systems
• Storage management

📚概述：介绍了字节新提出的ByteGraph 3.0(BG3)模型，用来处理大规模图结构数据

• 背景
  • 字节旗下产品(Tiktok/抖音/头条)每天生成大量图
  • ByteGraph是字节的分布式图数据库，但随负载量增加显得力不从心
• 关于ByteGraph 3.0：ByteGraph的升级版本，主要结构包含
  • 图存储引擎：内存索引是基于BW-Tree(一种适合图数据存储的树形数据结构)，采取云存储
  • 负载感知的空间回收机制：根据负载情况优化存储空间，减少写放大(写入量<<请求空间)
  • 轻量级主从同步机制：保证扩展系统时，多个结点间的数据同步且一致，有利于实时处理

👇PG-Triggers: Triggers for Property Graphs

🏛机构：米兰理工

➡️领域：Triggers(触发器)是数据库的一种自动化操作，即特定事件发生时自动执行一系列预定操作

• Information systems → Triggers and rules
• Graph-based database models
• Theory of computation → Database query languages (principles)

📚概述：提出了PG-Triggers的概念，是一个针对属性图(Property Graphs)添加触发器的方案

• 回顾一下属性图：一种图数据库模型，用于存储+管理图数据库，由以下三种结构组成

  图数据库结构	对应关系数据库结构	举例
  Nodes	Entity	学生，老师
  Properties	Attribute	学生(StuID/成绩)，老师(Course/TecherID)
  Edges	Relationship	学生$\stackrel{授课}{\leftarrow }$老师

• 背景：

  • 现状：图数据库正在进行标准化工作
  • 作者要干啥呢：为图数据库引入PG-Triggers，以支持类似SQL的触发机制

• PG-Triggers (说的是写啥，反正在我辽阔的知识盲区中)

  • 定义了触发器的语法和语义
  • Neo4j 实现：将PG-Triggers翻译成Neo4j图数据库中的APOC触发器
    • Neo4j：一个库，用于增强Neo4j的Cypher查询语言的功能
    • APOC触发器：一种触发结构，让Neo4j在数据变化时执行预定操作
  • Memgraph 实现：在这个库也实现了以下，为证明PG-Triggers的机制不仅适用于Neo4j

👇GraphScope Flex: LEGO-like Graph Computing Stack

🏛机构：阿里巴巴

➡️领域：Computer systems organization → n-tier architectures.

📚概述：提出了GraphScope Flex(GraphScope系统的升级)

• 关于GraphScope
  • 是个啥：用于图遍历+分析+学习的综合解决方案
  • 遇到的困难：不够万能(处理各种编程接口/App/Data时不够多样)
• 关于GraphScope Flex
  • 目标：解决GraphScope所面对的多样性挑战，权衡资源和效益，提供灵活和用户友好
  • 模块化：采取类似乐高积木的模块化，允许用户根据需求组合定制
• 结果评估
  • GraphScope Flex在LDBC社交网络基准测试中实现了2.4倍的吞吐量提升
  • GraphScope Flex在Graphalytics基准测试中达到了最高55.7倍的加速比
  • 在实际应用中，GraphScope Flex表现出高达2,400倍的性能提升

👇Bouncer: Admission Control with Response Time Objectives for Low-latency Online Data Systems

🏛机构：领英/微软

➡️领域：

• General and reference → Empirical studies
• Information systems → Main memory engines
• Database utilities and tools

📚概述：提出了Bouncer(一种查询接纳控制策略)，在流量激增时确保查询能尽快响应

• 背景：
  • 现实背景：互联网公司在经历突发流量时，需采取策略让查询满足响应时间目标(SLOs)
  • 查询接纳控制策略：(尤其在流量暴增时)用于控制接受/拒绝用户的查询请求
• 关于Bouncer策略
  • 是啥：一种查询接纳控制策略
  • 基本原理：低成本估算当前响应时间分布→判断新查询是否能在SLOs内完成→拒绝/接受
  • 其它策略/原理
    • 查询分类：为不同类别的查询设置不同的SLO
    • 早期拒绝策略：帮助客户端迅速作出反应，避免系统浪费资源在无效的查询上
    • 避免饥饿策略：确保某些类别的查询不会被完全拒绝，防止查询类型长期得不到服务
• 评估与结果
  • Bouncer有效避免了饥饿
  • Bouncer通过较少的总体拒绝次数，达到总体较小的系统开销
    • 高负载下，让已接纳的查询保持接近其SLO
    • 其它查询则不能达到SLO

👇NPA: Improving Large-scale Graph Neural Networks with Non-parametric Attention

🏛机构：北京大学

➡️领域：

• Information systems → Data mining
• Computing methodologies → Machine learning

📚概述：设计了非参数化(Non-parametric)GNN与非参数化注意力(PNA)

• 基础背景：
  • 传统GNN：GNN处理大规模图数据时，可扩展性差
  • 以往研究：通过GNN高采样技术来提交扩展性
  • 现在研究：非参数化GNN训练不依赖大量可训练参数，许多场景下扩展性都很强
• 另一个背景：非参数化GNN的局限
  • 过平滑问题：由于特征的过度传播，随着传播层数增加，网络性能急剧下降
  • 忽略了特征的影响：非参数化GNN传播时只考虑了图结构，忽略了特征的影响
• NPA模块的提出
  • 是啥：一个可插拔的模块，兼容现有非参数化GNN，使其同时支持可扩展性+更深架构
  • 原理：引入注意力机制，通过传播时权衡特诊&图结构的重要性，来优化特征传播
• 验证与实验
  • NPA在七个同构图/五个异构图中表现优异
  • 在大规模数据集ogbn-papers100M上，NPA 实现了最先进的性能
  • 一言蔽之：高性能，高扩展性，支持更深网络结构

3. Demonstrations

3.1. Group A

👇Demonstration of Ver: View Discovery in the Wild

🏛机构：芝加哥大学

➡️领域：Information systems → Information integration

📚概述：展示了Ver1数据发现系统

• 能干啥：在没提供连接路径信息的大型表格库中，识别出Project-Join视图
• 解决了啥问题
  • 技术问题：面对大规模表格，要能快速找出视图
  • 认为问题：如何帮用户理解+使用这些视图(因为导航结果复杂性/路径链接多样性等)

👇Comquest: Large Scale User Comment Crawling and Integration

🏛机构：天普大学/IBM

➡️领域：

• Information systems → Deep web
• Web crawling
• Information integration
• Information systems applications.

📚概述：展示了名为 Comquest 的评论抓取系统，利用Web API来收集大量网站用户评论

• 问题背景
  • 用户的评论对于下游应用有重要价值
  • 评论数据受限于特定平台，使得数据可用性受限，群体多样化受限
• Comquest 系统的设计
  • 能干啥：(跨平台)抓取与特定新闻话题或故事相关的评论数据
  • 怎么干：通过深度学习抓取API参数→发送HTTP请求到第三方评论系统的API→收集评论
  • 广泛性：不仅适用于新闻网站，还可与任何用户评论网站配合使用

👇QueryShield: Cryptographically Secure Analytics in the Cloud

🏛机构：波士顿大学

➡️领域：

• Security and privacy → Cryptography
• Information systems → Data management systems

📚概述：展示了QueryShield，为云端数据分析提供加密安全服务，以保护隐私+简化多方安全计算

• QueryShield 的功能
  • 数据分析描述发布：
    • 数据分析师$\underset{\text{QueryShield}}{\overset{发布分析描述}{\to }}$数据所有者
    • 数据所有者在保证隐私前提下，选择参与计算以获利/公益
  • 数据隐私保障：提供多方安全计算技术，为关系数据库/时间序列分析，提供隐私保护
• QueryShield 的特性：用户友好，封装了多方安全计算(MPC)的复杂计算，非专家也可使用
• 文中演示的三个场景：四人就业信息调查+信用评分 异常分析+医学场景

👇SIERRA: A Counterfactual Thinking-based Visual Interface for Property Graph Query Construction

🏛机构：南洋理工

➡️领域：

• Human-centered computing → Visualization systems and tools
• Information systems → Query languages

📚概述：展示了新型视觉查询界面(VQI) SIERRA，帮不会图查询语言(Cypher)用户构建属性图数据库

• 背景知识

• 属性图：一种图数据库模型，用于存储+管理图数据库，由以下三种结构组成

  图数据库结构	对应关系数据库结构	举例
  Nodes	Entity	学生，老师
  Properties	Attribute	学生(StuID/成绩)，老师(Course/TecherID)
  Edges	Relationship	学生$\stackrel{授课}{\leftarrow }$老师

• 视觉查询界面：一种帮助用户建立数据库的图形化界面，而无需编写代码(比如SQL)

• 背景：

  • 属性图大受欢迎，但特定查询语言构成了门槛→视觉查询界面
  • 现有视觉查询界面虽然易用，但未充分考虑HCI规律和心理学

• SIERRA 的设计创新：解决了现有视觉查询界面在可用性和美观性上的不足

  • 理论驱动的设计：采用反事实思维，结合HCI/可视化/心理学原则，使得界面直观易用
  • 标签复合图(LCG)：引入标签复合图，展示图的结构
  • 视觉形状定义语言：融入在SIERRA的设计里，在查询构建过程中引导用户创建和维护LCG

👇Sawmill: From Logs to Causal Diagnosis of Large Systems

🏛机构： MIT

➡️领域：

• Software and its engineering → System administration
• Computing methodologies → Causal reasoning and diagnostics
• Natural language generation

📚概述：展示了Swamill系统，用来从复杂日志文件中提取因果关系

• 背景：
  • 因果分析在复杂系统的动态中至关重要
  • 计算机作为复杂系统，很多信息都在半结构化的日志文件中，难以提取因果
• Sawmill 系统的设计与功能
  • 数据转换与清理：半结构化原始日志数据$\stackrel{\text{Sawmill}}{\to }$适合因果分析的结构化表示形式
  • 可理解的变量命名：系统会自动地，将从日志中提取出的变量，命名为人类可理解的名称
  • 聚合变量生成：Sawmill根据用户选择的因果单元，生成相关的聚合变量
• Sawmill能干啥
  • 高效地将日志数据转化为可以进行因果推理的模型，并进行探索式因果发现
  • 允许用户通过交互式界面参与，从而使用现有的工具进行因果推理

👇Demonstrating REmatch: A Novel RegEx Engine for Finding all Matches

🏛机构： 牛津大学/智利天主教大学

➡️领域：

• Theory of computation → Regular languages
• Information systems → Information retrieval

📚概述：展示了名为REmatch的正则表达式(RegEx)引擎

• 背景知识

  • 正则表达式：一种用于模式匹配的工具，如以下示例

    (1) 电子邮件的正则匹配表达式^[a-z0-9._%+-]+@[a-z0-9.-]+\.[a-z]{2,}$
    (2) 123-456-7890类型的表达式被正则表达式\d{3}-\d{3}-\d{4}匹配
    

  • 正则表达式引擎：用于解析+匹配正则表达式，并返回结果

• REmatch引擎的设计

  • 基于枚举算法理论，找到文档中给定模式的所有匹配项
  • 区别于传统正则引擎，REmatch无需使用复杂非标准操作符，就能找到嵌套和重叠的匹配项
  • 时间复杂度与逐字符输出匹配结果的时间成比例

• 用户界面：https://rematch.cl

• 应用场景：DNA序列分析，语言分析，如本文展示例子所示

👇ASQP-RL Demo: Learning Approximation Sets for Exploratory Queries

🏛机构： 宾夕法尼亚大学/Aviv大学

➡️领域：Information systems → Data management systems

📚概述：展示了ASQP-RL系统，用于优化针对大规模外部数据的非聚合查询

• 背景：处理大规模外部数据库的查询很耗时，尤其当内存有限时
• ASQP-RL原理
  • 用户发起非聚合查询(SELECT/PROJECT/JOIN)
  • ASQP-RL运行强化学习算法选择外部数据库一个子集
    • 此处强化学习算法的原理：通过局部数据子集来近似全局数据查询的结果
  • ASQP-RL将选择的子集加载到本地，成为近似集
  • ASQP-RL对已经物理化(本地化)的子集执行快速的查询
• ASQP-RL的优势：
  • 查询时间速快
  • 查询结果准确(虽然只取了子集，但效果和取整体差不多)
  • 针对聚合查询也有良好效果

👇IMBridge: Impedance Mismatch Mitigation between Database Engine and Prediction Query Execution

🏛机构： 华东师大/蚂蚁集团

➡️领域：Information systems → Query optimization

📚概述：展示了IMBridge系统，旨在弥合[数据库引擎$\leftrightarrow$机器学习预测]间的阻抗不匹配问题

• 背景知识
  • ML×DB：机器学习模型可用于对存储在数据库的数据执行分析
  • Python UDF：看起来很高级，其实就是Python User-Defined Function的意思
  • 阻抗不匹配：两个系统或组件之间差异过大，导致无法交互，协调效率差
• 研究背景
  • 阻抗不匹配：
    • 当前数据库在查询引擎中引入Python UDF(预测函数)，以在处理查询时执行ML推理
    • 数据库无法理解预测函数语义
  • 推理上下文重复：传统方法中，没调用一次预测函数，都要重新设置上下文环境
  • 不匹配的批量大小：源于数据库操作与预测函数的批量处理之间缺乏协调，影响吞吐
• IMBridge 系统的解决方案
  • 通过预测函数重写器→消除多余的推理上下文设置
  • 引入了一个解耦的预测操作符→统一数据库与预测函数的批大小

👇ASM in Action: Fast and Practical Learned Cardinality Estimation

🏛机构： 浦项科技大学/洛桑联邦理工大学

➡️领域：Information systems → Query optimization

📚概述：展示了名为ASM的基数估计器

• 背景
  • 基数估算：用于估计查询结果/中间结果的大小，从而反向优化查询
  • 现有问题：
    • 基于机器学习的基数估算器能够显著提高估算精度
    • 实际部署中，ML无法与数据库查询优化器结合，导致性能不佳
• ASM的改进
  • 使用自动回归模型，即利用历史数据对当前查询结果进行预测
  • 从数据库中进行适当的采样
  • 利用多维统计合并，在复杂多维数据上提供更高效的基数估算
• ASM能干啥：
  • 显著提升了基数估算器的效率，尤其是在复杂/多维查询情况下
  • 更容易与现有的数据库查询优化器集成，避免了“估算精度高但执行效率低”的问题

👇The Game Of Recourse: Simulating Algorithmic Recourse over Time to Improve Its Reliability and Fairness

🏛机构： 纽约大学

➡️领域：

• Information systems → Data management systems;
• Social and professional topics → Socio-technical systems
• Human centered computing;

📚概述：讨论了算法反应(Algorithmic Recourse)概念，并提供了一种通过模拟生成相关数据的方法

• 背景知识
  • 算法反应：为在算法系统中得到不利结果的人提供建议，使其采取行动改变结果
  • 算法反应的目的：发挥人的主观能动性，从而让人对算法有更多控制权
  • 算法反应的困境：缺乏公开可用的数据集
• 关于The Game Of Recourse
  • 是啥：一个基于代理的模拟
  • 干啥：生成现实的算法反应数据
  • 灵感：来自于康威的“生命游戏”Conway’s Game of Life (笑)
  • 特性：可靠性+公平性
• 开放访问： https://game-of-recourse.streamlit.app

👇RobOpt: A Tool for Robust Workload Optimization Based on Uncertainty-Aware Machine Learning

🏛机构： 渥太华大学/IBM

➡️领域：

• Information systems → Query optimization
• Computing methodologies → Uncertainty quantification
• Supervised learning by regression

📚概述：展示了RobOpt系统，旨在解决关系型数据库管理系统(R-DBMS)中的查询优化问题

• 背景知识
  • 优化器：R-DBMS依赖于查询优化器，为从查询选择最优计划，以达到优化目的
  • 优化器原理：依赖于数据库中达到统计信息(数据分布/查询条件)→估计查询的代价和参数
• 研究背景
  • 传统优化器的缺陷：
    • 传统优化器的参数估计准确性差，执行查询总是非最优
    • 传统优化器基于特定场景
  • 基于机器学习优化器的缺陷：处理不同工作负载时，通常会选择次优方案，从而优化不力
• RobOpt 的提出
  • 是啥：针对工作负载的鲁棒查询优化器，使得查询计划的选择更加稳健
    • 鲁棒查询优化器：在面对不确定性/系统波动，仍然选出最优计划的优化器
  • 原理
    • 使用数据库的查询日志作为输入
    • 通过日志中的历史数据，训练出一个基于风险感知的学习代价模型
    • 在执行优化器时，考虑风险因素，并采取风险感知的计划策略
    • 可以在工作负载级别/单个查询级别上分析查询样本。都可做出最优选择
• RobOpt 的优势
  • 鲁棒性：在不确定较大的场景任然保持稳定性+高性能
  • 灵活性：可部署在任何R-DBMS上

👇Demonstrating CAESURA: Language Models as Multi-Modal Query Planners

🏛机构： 达姆城工业大学

➡️领域：Information systems → Semi-structured data

📚概述：展示了CAESURA系统，用于将数据库技术与LLM结合，从而处理多模态数据

• 背景与背景知识
  • 多模态数据
    • 含义：指包含不同形式的数据，比如表格/文本/图像
    • 应用：在基于LLM的问答系统中，需要enable用户去查询多模态数据
  • RAG(Retrieval Augmented Generation)
    • 是啥：一种扩展LLM的技术
    • 干啥：先从向量数据库中检索相关数据→将数据输入LLM来计算查询结果
    • 弊端：LLM推理成本很高，LLM只能处理有限数据(对大规模RAG束手无策)
• CAESURA 的提出
  • 是啥：一种数据库优先的多模态问答系统
  • 核心思想：使用 LLM 的推理能力→翻译自然语言查询→生成数据库执行计划
  • 工作流程
    • 用户通过自然语言，提出查询
    • CAESURA 使用 LLM 将查询翻译成数据库可以执行的查询计划
    • 数据库系统(而非LLM)执行查询
  • 优势：
    • 得益于LLM，从而(通过转换自然语言)能处理多模态数据
    • 得益于数据库系统，可以快速处理(而非是让LLM进行高成本的推理)
    • 扩展性好，能够处理大规模的数据集，不想RAG数据一大就阿巴阿巴

👇Demonstration of Udon: Line-by-line Debugging of User-Defined Functions in Data Workflows

🏛机构： 加州大学欧文分校

➡️领域：

• Information systems → Data management systems
• Software and its engineering → Software testing and debugging

📚概述：展示了Udon调试器，用于在大数据处理系统中，逐行调试复杂用户自定义函数(UDF)

• 背景
  • 编程语言的差异：
    • 大数据系统由C/C++/Java编写
    • 用户用Python分析处理，比如机器学习API有99%都是python
    • UDF成为bridge their gap的重要工具
  • UDF调试的挑战：需要协同不同编程语言+大数据规模庞大(开销高)
• Udon 的解决方案
  • 逐行调试：用户可设断点+逐行单步走，可以在调试UDF时修改代码
  • 单个元组调试：允许UDF在单个Tuple上执行，逐行检查运行情况
  • 调试原语：包含了现代化调试原语，比如设断点+代码检查+动态修改代码

👇UniTS: A Universal Time Series Analysis Framework Powered by Self-Supervised Representation Learning

🏛机构： 哈工大

➡️领域：

• Computing methodologies → Machine learning
• Mathematics of computing → Time series analysis

📚概述：展示UniTS框架，用于解决时序分析中的问题，比如部分标注数据/领域漂移

• 背景问题：时间序列预测的一些挑战
  • 部分标注：即不是所有数据都被完整标注，即不是所有数据都有正确标签
  • 领域漂移：应用于某模型的领域，在新的领域表现不佳
• UniTS 框架的设计
  • 自监督表征学习：使得模型在标签不完整时，通过学习内在结构+表征，提升分析效果
  • Sklearn 风格 API：尊重用户习惯，开发者可灵活使用该架构
  • 用户友好GUI：高度封装，好看，傻子也能用

👇ChatPipe: Orchestrating Data Preparation Pipelines by Optimizing Human-ChatGPT Interactions

🏛机构： 人大

➡️领域：Information systems → Data analytics

📚概述：展示了ChatPipe新系统，通过与ChatGPT对话来简化机器学习的数据准备过程

• 关于数据准备
  • 是啥：数据清洗，转换。处理等
  • 将ChatGPT用于数据准备
    • 咋整：根据用户提示生成代码，运行代码来进行数据准备
    • 缺陷：需用户引导ChatGPT因此需具备一定编程基础+生成的代码无法滚回(需从头引导)
• ChatPipe 系统的设计
  • 套壳ChatGPT：不仅与ChatGPT无缝交互
  • 操作推荐：智能提示用户下一步操作，从而更好的引导ChatGPT
  • 版本控制与滚回：允许用户滚回到以前的版本。无需从头还是引导
• Demo Session
  • 被集成到了一个Web应用里
  • 在Kaggle数据集上可完成高效准备

3.1. Group B

👇Responsible Model Selection with Virny and VirnyView

🏛机构： 乌克兰天主教大学/纽约大学

➡️领域：

• Information systems → Data management systems
• Social and professional topics → Socio-technical systems
• Human centered computing

📚概述：展示了Virny软件库和与之配套的交互工具VirnyView，用户模型审计+模型选择

• 模型审计：对机器学习模型进行系统性评估和分析，涵盖准确性/稳定性/鲁棒性

• 关于Virny软件库

  • 特性：模块化+可扩展性，用户可根据需求扩展其功能
  • 技术手段
    • 具有一套评估机器学习性能的公平性指标，其中包括很多新指标
    • 提供了一套基于多个敏感属性(性别/种族)的分析功能，用于评估在不同人群的表现

• VirnyView工具：一个配套的交互工具，提供可视化界面，封装了模型审计和选择的过程

• 开放访问：https://github.com/DataResponsibly/Virny and https://r-ai.co/VirnyView

👇Property Graph Stream Processing In Action with Seraph

🏛机构： 乱七八糟

➡️领域： 乱七八糟

📚概述：介绍了Seraph，一种基于Cypher的查询语言，专注于处理流图数据+连续查询

• 背景

  • 图数据模型的普及+Cypher查询语言的推广→图数据分析越来越重要
  • 现有的图查询语言(Cypher)在处理流图数据存在局限，如不可连续查询
    • 流图数据，就是实时性高的图数据

• 关于两种编程语言

  • 声明式(declarative)：用户只需描述需求就可得结果，具体每一步怎么做不用管，比如SQL

    SELECT name FROM students WHERE age > 18;
    

  • 命令式(Imperative)：需用户明确每一步该怎么做，比如Python

    result = []
    for student in students:if student.age > 18:result.append(student.name)
    

• 关于Seraph

  • 核心创新点：基于Cypher，支持本地连续查询，可在流图数据上查询并给出实时结果
  • 特性
    • 是声明式(declarative)语言
    • 向后兼容了Cypher，即Cypher语言也可在Seraph中使用
    • 有严格的形式化定义，即用符号+表达式来描述问题

• 其它

  • Seraph还提供了一个web用户界面
  • 演示视频：https://riccardotommasini.github.io/seraph/

👇Property Graph Stream Processing In Action with Seraph

🏛机构：智利的一堆大学

➡️领域：

• Information systems → Data management systems
• Database query processing
• Graph-based database models

📚概述：展示了MillenniumDB，一种高性能开源图数据库

• 背景与问题
  • 知识图谱的数据多样性：包含文本/图像/表格/视频/音频，图数据库还需支持多个共存DB
  • 多种数据具备需要互相操作的需求，因此更需要处理和查询多样化的数据格式
• MillenniumDB 的特点
  • 支持多模态+多模型：支持属性图模型，语义网络式RDF，以及结合这二者的多层图模型
  • 支持的查询语言：
    • 支持属性图和多层图上的类似 Cypher 的查询语言
    • 支持在 RDF 数据上执行 SPARQL 1.1 查询
  • 优化的查询引擎：
    • 结合了最坏情况最优连接算法+统的关系型查询优化技术
    • 支持多种图特定任务，如路径查找、模式识别和多模态数据的相似性搜索
• Demo Session：在TelarKG/BibKG/Wikidata等图谱上表现良好

👇IDE: A System for Iterative Mislabel Detection

🏛机构：北理

➡️领域：Information systems → Data cleaning

📚概述：介绍了IDE系统，用于在ML训练种解决标签错误的问题，提高标签的质量以利于训练

• 背景及背景知识
• 标签错误：即在数据集种标注错误标签
• 标签错误的后果：会让DL模型性能雪崩，因为DL赖于高质量标签
• 获取高质量标签过程需要人工验证，成本极高
• IDE 系统的介绍
  • 采用一种迭代检测和修复错误标签的方法
    • 每次迭代种，IDE使用早期损失观察+基于影响的验证，来识别错误标签
    • 对于识别出的错误标签，系统随之做出修复
  • 当系统检测到早期损失观察不再有效时，自动终止迭代
  • 对于难以确定标签的实例，IDE会生成伪标签，这也可以提高总体的标签质量

👇A Demonstration of GPTuner: A GPT-Based Manual-Reading Database Tuning System

🏛机构：四川大学

➡️领域：Information systems → Database administration

📚概述：提出了名为GPTuner的DBMS自动调优系统

• 背景
  • 可配置参数(knobs)对数据库系统影响很大，但人为调整这些参数到最优及其困难
  • 目前已有的机器学习自动调整系统有赖于黑箱优化，忽略了数据库领域知识
• GPTuner 的提出
  • 核心：GPTuner系统利用LLM，通过阅读数据库文档/手册等，讲黑箱优化与领域知识结合
  • 用户与专家的合作
    • 用户：GPTuner解读参数特性提供定见解，以帮助优化，无需用户深入掌握优化知识
    • 专家：通过自然语言输入调优建议，进一步增强GPTuner功能

👇Demonstrating 𝜆-Tune: Exploiting Large Language Models for Workload-Adaptive Database System Tuning

🏛机构：康奈尔大学

➡️领域：

• Information systems → Query optimization
• Autonomous database administration
• Human-centered computing → Natural language interfaces

📚概述：展示了$\lambda$-Tune模型，可根据工作负载自动化自适应为数据库系统调优

• 背景
  • 还是knobs的调优，目的在于根据数据库的硬件+查询负载来优化配置
  • 传统调优方法依赖大量计算资源(GPU)和时间
• 𝜆-Tune 的创新之处
  • 利用LLMs来理解和处理文本数据，不需要额外训练(零次学习)直接生成配置建议
    • 零次学习：模型在没有见过某类训练数据情况下，对这些类别做出正确预测
  • 系统根据DB系统+硬件规格+查询负载，通过自动生成提示，生成适合的调优建议
  • 采取一种工作负载压缩方法，只提取最优洞察力的工作负载特征
• 𝜆-Tune 的优势
  • 计算资源小：无需耗时的调优与训练(零次学习)
  • 性能提升

👇User-friendly, Interactive, and Configurable Explanations for Graph Neural Networks with Graph Views

🏛机构：浙江大学等

➡️领域：

• Computing methodologies → Neural networks
• Information systems → Graph-based database models

📚概述：介绍了名为GVEX的系统，用于为用户提供友好+可交互的GNNs行为解释

• 问题背景
  • GNN对图数据分析表现优异，但其具有黑箱特性，内部工作原理难以解释
  • 目前对于GNNs的解释方法，仅限于对特定实例，且生成的解释结构过大(难以直观理解)
• GVEX 系统的创新点
  • 提供了用户友好+交互式的界面，以及个性化的配置(选择感兴趣类别/结点数量)
  • 利用事实+反事实属性，以及这些节点在GNN消息传递的聚合影响，生成高质量解释子图
  • 生成双层解释结构，包含图模式+解释子图

👇OpenIVM: a SQL-to-SQL Compiler for Incremental Computations

🏛机构：荷兰国家数学和计算机科学研究学会/滑铁卢大学

➡️领域：Information systems → Database query processing

📚概述：展示了名为OpenIVM的SQL-to-SQL编译器，专用于增量视图维护(IVM)

• 增量视图维护(IVM)
  • 作用：用于在基础数据插入/更新/删除时，快速更新数据库中物化视图
    • 物化视图：所预测的查询结果，存储在数据库中，用于查询优化
  • 现有IVM的局限：通常在独立的系统中实现IVM的计算，需要额外计算系统及资源
• OpenIVM 的创新之处
  • 核心理念：通过现有的SQL查询引擎执行所有IVM，而非额外系统，减少开发/计算成本
  • 支持跨系统：能协调OLTP和OLAP系统工作
    • OLTP(在线事务处理)：负责处理DBMS基础的表插入/更新/删除
    • OLAP(在线分析处理)：存储和维护物化视图
    • 二者协调的方式：OLTP将基础操作处理后，通过SQL传递给OLAP后续处理
• 技术实现
  • SQL编译器：
    • OpenIVM将视图定义编译为SQL
    • OpenIVM根据数据库的基础表变化，增量地更新物化视图 (基于DBSP增量计算原理)
  • DuckDB 的集成
    • DuckDB：一个轻量级数据库管理系统
    • OpenIVM用DuckDB来编译/解析/转换/优化物化视图维护的逻辑
• Demo Session
  • OpenIVM作为DuckDB的一个扩展模块，给 DuckDB 添加 IVM 功能
  • OpenIVM 在跨系统 IVM 中应用
    • PostgreSQL 处理基础表的更新操作
    • DuckDB 用于存储和维护这些表的物化视图

👇Building Reactive Large Language Model Pipelines with Motion

🏛机构：UC Berkeley

➡️领域：

• Information systems → Data management systems
• Computing methodologies → Artificial intelligence

📚概述：介绍了Motion，一共用户构建和执行反应式LLM管道的Python框架

• 背景
  • LLM依赖于提示词，要求提示词有详细信息+丰富上下文，才能高效优化LLM
  • 反应式LLM管道，指通过引入新信息(用户反馈/历史输入输出)，而动态改进提示词
• Motion 框架的功能
  • 提供了一共Python框架，方便开发者创建+运行反应式LLM管道
  • 使用了一种弱一致性模型，即牺牲一定实时性，来减少用户响应延迟

👇Demonstrating Nexus for Correlation Discovery over Collections of Spatio-Temporal Tabular Data

🏛机构：芝加哥大学

➡️领域：

• Information systems → Information integration
• Specialized information retrieval

📚概述：介绍了Nexus系统，帮助用户从观察数据中获取因果关系

• 背景知识

  • 观察数据：真实世界中采集的最原始数据

  • 因果分析的重要性：能为更好的决策提供依据

  • 因果分析的策略：先过识别数据中的相关性间接识别因果 (直接识别因果过于困难)

• Nexus 系统的功能

  • 将不同时空范围内的表格数据对其，降低分散/复杂数据的分析成本
  • 有效处理数据集中可能存在的缺失值
  • 识别那些可能与因果关系有关的“有趣”相关性

👇Plutus: Understanding Data Distribution Tailoring for Machine Learning

🏛机构：美国罗切斯特大学/柏林工业大学

➡️领域：

• Information systems → Information integration
• Computing methodologies → Machine learning

📚概述：介绍了Plutus工具，用于HCI+模型感知数据获取，集成在SystemDB中

• 背景知识
  • 出现的问题：ML模型有时候在整个数据集上表现不错，但在特定数据切片上表现差
    • 数据切片：数据中某些 特定的组合，比如具有特定特征(年龄/性别)的一部分
  • 表现变差的原因在于：切片的数据不够多/质量差
  • 解决办法：定位让模型表现不好的那部分数据切片，获取更多那部分数据
• 关于获取新数据的挑战
  • 传统的众包方法(crowdsourcing)：即从大量个人那里获得数据，但是太贵/效率太低
  • 外部数据源：从现有外部数据(Data Lake / Data Market)获得数据，更廉价
• Plutus的设计
  • 是个啥：一个工具，用于协助人机交互过程，根据机器学习模型需求，智能获取数据
  • 啥特点：集成在SystemDB中+支持从数据调试到数据获取的完整生命周期
  • 原理：
    • 让用户追踪模型表现不佳的具体数据片段
    • 识别出有问题片段后，连接外部数据源
    • 与外部数据源交互，从而补充/修补有问题数据
• 应用场景：Plutus 可以应用于任何需要提升模型表现的场景

👇Multi-Backend Zonal Statistics Execution with Raven

🏛机构：柏林工业大学

➡️领域：

• Information systems → Spatial-temporal systems
• Applied computing → Earth and atmospheric sciences

📚概述：展示了Raven，一个区域统计的框架，用于管理遥感卫星激增的数据

• 背景：
  • 大量遥感数据，对气候监测/灾害管理很有用
  • 处理这些数据，需要通过区域统计，汇集感兴趣区域内的像素数据
• 现有问题：
  • 存在多种空间系统，及其区域统计操作
  • 他们之间接口/架构/算法差异太大
• Raven的解决方案
  • 提供了统一接口，简化了不同系统的协作使用
  • 支持多后端执行环境，使用户可以轻松在不同系统间进行基准测试和比较
  • 包含领域特定的Declarative语言+优化技术

👇ShiftScope: Adapting Visualization Recommendations to Users’ Dynamic Data Focus

🏛机构：Oregon State University

➡️领域：Human-centered computing → Visualization toolkits

📚概述：介绍了ShiftScope，一个动态可视化交互系统，用于推荐个性化数据

• 背景问题
  • 可视化推荐系统，帮助用户在数据探索过程发现重要简介
  • 但随用户对数据理解加深或目标有变，现有系统难以适应，导致推荐不再相关
• ShiftScope的解决方案
  • 引入一个互动系统，追踪用户对数据的认知变化
  • 采用双智能体强化学习框架
    • 一个智能体，负责适应用户数据焦点的变化
    • 另一智能体，推荐满足用户当前/未来探索需求的最佳可视化

👇Demonstration of ElasticNotebook: Migrating Live Computational Notebook States

🏛机构：伊利诺伊大学槟城分校

➡️领域：

• Information systems → Computing platforms
• Data replication tools

📚概述：介绍了ElasticNotebook，解决当前Jupyter Notebook中会话状态不可保存的问题

• 当前Jupyter Notebook的弊端：
  • 会话结束后(如开始运行一段Python)，用户定义的变量/机器学习模型会丢失
  • 当前笔记本无法有效的持久化会话状态
• ElasticNotebook的解决方案
  • 提供绘画状态实时迁移，用户可以计算检查点/恢复来保存并恢复会话状态
  • 前端：允许用户配置定期创建会话状态的检查点
  • 后端：使用轻量级监控技术，可以高效复制会话状态

4. Panels

👇The Future of Graph Analytics

🏛机构：乱七八糟

➡️领域：乱七八糟

📚概述：讨论了近年来图技术在工业和学术界的发展，以及未来图分析系统可能面临的挑战

• 背景与现状
  • 过去20年，图数据在工业界需求暴增，在学术界有关图处理也取得进展
  • 图查询语言也在不断演变
• 讨论围绕以下问题展开
  • 是否需要更表达力强的语言和库来分析图中的关系
  • 是否需要新的混合OLTP/OLAP架构来提升性能和扩展性
  • 用户对图分析工作负载和基准的期望是什么
  • 图机器学习将如何影响图分析系统
  • 如何让图分析系统适应图形数据的动态变化

👇The Future of Graph Analytics

🏛机构：微软

📚概述：讨论了DBMS从本地到公有云的迁移，及这种迁移对系统中ML应用的影响

• 背景
  • DBMS转变：
    • 数据库管理逐渐向公有云转移，数据库开发者变成了操作者
    • 使得我们可以通过遥测反馈循环来进行系统的整体优化
  • ML for Systems 的兴起：通过利用数据反馈，机器学习被广泛用于优化系统性能和管理
  • LLM的影响：LLM已经成为数据库系统优化中的一个有趣元素
• 讨论的主题
  • ML for Systems 的实际应用和鲁棒性如何
  • 大语言模型在系统优化中能起到什么作用
  • 涉及具体的工程考虑和开放性的未来行业发展问题

5. Tutorials

👇Demystifying Data Management for Large Language Models

🏛机构：卡内基梅隆大学/北京大学

➡️领域：

• Information systems → Data management systems
• Information systems applications
• Computing methodologies → Machine learning
• Artificial intelligence
• Distributed computing methodologies

📚概述：关于LLMs时代数据管理的教程，讨论了开发+部署LLM过程中数据管理方面的挑战

• 背景：LLMs在训练和部署过程中需要管理大量数据，使得数据管理至关重要
• 教程内容
  • 如何在 LLM 的开发和部署阶段管理知识和参数数据
  • 强调了在数据管理中如何平衡效率与有效性

👇SmartNICs in the Cloud: The Why, What and How of In-network Processing for Data-Intensive Applications

🏛机构：达姆城工业大学

➡️领域：

• Hardware → Networking hardware
• Networks → Programmable networks
• Information systems → Database query processing

📚概述：讨论了数据中心/云计算中，资源分离/智能网口卡(SmartNICs)/智能交换机的作用

• 关于资源分离
  • 是啥：在云计算系统中，将CPU/内存独立为不同部分
    • 分离任务：将传统的计算资源(CPU/内存/存储)独立出来
  • 好处：enable了良好的可扩展性，提高了资源利用率
  • 坏处：增大了网络的处理和开销成本
• 关于智能硬件
  • 有啥：智能网络接口卡(SmartNICs)+智能交换机(Smart Switches)等，作为可编程硬件
  • 能干啥：
    • 在网络层中：执行云系统中的分离任务，以降低开销
    • 在应用层中：执行更高级的操作，比如SQL查询/机器学习流水
• Tutorial内容
  • 讲解SmartNICs的工作原理
  • 探讨如何最佳利用这些智能硬件

👇Learned Query Optimizer: What is New and What is Next

🏛机构：阿里巴巴

➡️领域：Information systems → Data management systems

📚概述：讨论了学习型查询优化器，即如何将机器学习应用于数据库的查询优化

• 背景：机器学习应用于查询，体现出了优越性，具备广泛实验依据
• Tutorial内容
  • 将用于查询优化的机器学习组件分类，分别介绍其代表性方法
  • 展示一些基准测试的结果和原型应用
  • 展示了一个前沿系统，通过逐步指导，降低开发和部署学习型算法的难度
• 未来方向：文中说的一塌糊涂，我也不好总结了

👇Distributed Transaction Processing in Untrusted Environments

🏛机构：美国一堆无关紧要的大学

➡️领域：

• Information systems → Distributed database transactions
• Computer systems organization → Fault-tolerant network topologies
• Networks → Network protocol design

📚概述：为开发者提供一个系统化的框架来分析拜占庭容错协议，便于选择和使用

• 关于拜占庭容错协议(BFT)
  • 是啥：用于分布式系统(如去中心化的数据管理系统)中的共识机制
  • 干啥：解决系统中可能存在的恶意节点或故障节点的问题
  • 原理：当系统中某一结点出现不可靠行为后，仍能让诚实结点就系统状态达成一致
• 背景：BFT协议的快速发展，使选择合适的协议变得困难，开发者难以弄清哪种协议最适合
• Tutorial内容
  • 介绍了一个设计空间，即协议设计时各种设计因素和选项，比如
    • 基础设施设置，网络环境/结点分布/拓扑结构
    • 通信方式，比如广播/流量控制
    • 社会选择属性，比如公平性等
  • 介绍了设计权衡(如下)，帮助开发者理解各协议的差异
    • 性能 vs. 可靠性
    • 公平性 vs. 效率
    • 通信开销 vs. 扩展性

👇Responsible Sharing of Spatiotemporal Data

🏛机构：芝加哥大学/俄亥俄州立大学

➡️领域：

• Information systems → Data exchange
• Spatial-temporal systems

📚概述：讨论了时空数据共享中的挑战和解决方案，尤其注重保护隐私

• 时空数据：带有时间和空间维度的数据，比如某事某地的气象数据
• 背景
  • 越累越多的应用场景有赖于时空数据，比如自动驾驶
  • 涉及到时空数据共享，需要有新的隐私标准+机器学习技术的融合
• 设计的挑战
  • 时空数据设计隐私，比如个人的位置/时间等
  • 如何提高数据使用价值同时，严格执行隐私保护措施？
• 如何解决挑战
  • 现代数据共享机制
    • 让数据相关方设定精确的数据使用共享条款
    • 用强大的数据基础设施来保障数据安全
  • 隐私和分析的平衡：即确保隐私合规的同时，实现数据的有效利用

👇Querying Graph Databases at Scale

🏛机构：智利大学/智利天主教大学

➡️领域：

• Information systems → Query languages for non-relational engines
• Graph-based database models

📚概述：关于图数据库查询算法和数据结构的教程，重点关注可以在现实世界知识图谱扩展的算法

• Part1
  • 介绍图数据库，在查询知识图谱具有优势
    • 知识图谱：将信息以图形式结构化表示的模型
  • 介绍图数据模型和不同的查询语言
• Part2：讨论如何高效评估图模式查询
  • 引入了最坏情况下最优的连接技术，将其与传统连接算法对比
• Part3：
  • 介绍如何高效评估路径查询
  • 如何构建紧凑的表示，来处理指数暴增的路径集合
• Part4：介绍压缩数据结构的最新进展

👇Cognitive Psychology Meets Data Management: State of the Art and Future Directions

🏛机构：南洋理工

➡️领域：

• Information systems → Query languages for non-relational engines
• Graph-based database models

📚概述：讨论了引入认知心理学理论来改进DBMS，以追求以人为中心的设计

• 问题背景：数据库系统中，数据定义/数据库操作语言(SQL)是给人设计的，需要追求以人为中心
• 认知心理学
  • 研究人类如何思考和处理信息
  • 文章提出，通过结合认知心理学理论，可以优化 DBMS 的设计，提高人机交互效率
• 然后就是回顾过去技术+未来研究方向了，瞎几把鬼扯了一堆，我都感到尴尬

👇Vector Database Management Techniques and Systems

🏛机构：北京大学/普渡大学

➡️领域：

• Information systems → Query languages for non-relational engines
• Graph-based database models

📚概述：讨论了特征向量数据库管理系统（VDBMSs）

• 特征向量数据库管理系统 (Vector Database Management Systems)
  • 是啥：专门设计用于存储+管理+查询特征向量的DBMS
  • 特征向量：用于在ML/DL中表示数据对象(图像/文本/高维数据)
• 关于特征向量的特点(挑战)
  • 语义相似性，需基于相似性来进行比较，在数据库中不(像传统数据一样)可精确匹配
  • 向量的数据规模巨大，储存和比较昂贵
  • 缺乏可索引结构
  • 有时需混合查询(例如数值+特征向量一起查询)
• VDBMSs的关键技术议题
  • 查询处理：如何衡量向量间的相似性(相似性评分)+向量查询的类型+查询接口
  • 存储索引：向量压缩和基于磁盘的索引
  • 查询优化和执行：比如混合查询处理，硬件加速，分布式搜索

👇An Overview of Continuous Querying in (Modern) Data Systems

🏛机构：里昂第一大学

➡️领域：乱七八糟

📚概述：介绍了连续查询(aka常驻查询/查询流)的概念及发展

• 概念的起源
  • 1992年由 Terry 等人提出
  • 旨在处理随时间变化的数据，持续监控和处理数据流
• 早期发展：
  • 应用在关系模型上，通过代数扩展/演算/语义来表达
  • 查询的语义和应用集中于传统的DBMS
• 最近的进展
  • 流数据库(Streaming Databases, SDS)显著发展，支持处理实时数据流
  • 连续查询扩展到了图数据库(Graph DBMS)，知识图谱等
    • 比如流图(Streaming Graphs)的连续处理技术

👇SIMDified Data Processing - Foundations, Abstraction, and Advanced Techniques

🏛机构：德累斯顿工业大学

➡️领域：

• Computer systems organization → Single instruction, multiple data
• Information systems → Database query processing
• Main memory engines

📚概述：介绍了如何利用**单指令多数据(ISMD)**技术，来加速DBMS的查询执行

• 第一部分
  • 解释了SIMD是啥：一种并行计算技术，让一个CPU同时处理对多个数据元素执行相同操作
  • 解释了SIMD的引入背景
  • 解释了SIMD的传统应用，如何加速查询处理
• 第二部分
  • SIMD硬件发展
  • 展示了，如何使用统一的抽象层来处理不同处理器的 SIMD 扩展
• 第三部分：介绍了应对未来挑战的高级技术
  • 对于更宽和灵活大小的 SIMD 寄存器的处理方法

👇Machine Learning for Databases: Foundations, Paradigms, and Open problems

🏛机构：南洋理工

➡️领域：Information systems → Data management systems

📚概述：介绍了**机器学习用于数据库(ML4DB)**领域，讨论了最新进展/挑战

• 介绍ML4DB基础与应用：
  • ML可为DB提升性能，提供新的可能性
• 介绍两种主要应用范式
  • 将机器学习模型直接替代现有的数据库组件 (如查询优化器/索引系统)
  • 利用机器学习增强传统数据库组件 (更为常见)
• ML4DB目前主要的挑战
  • 如何在数据库中高效地集成和运行机器学习模型
  • 数据漂移问题，即数据库中数据的模式随时间变化，而导致模型性能下降

👇Applications and Computation of the Shapley Value in Databases and Machine Learning

🏛机构：Simon Fraser University / 杜克大学

➡️领域：

• Information systems → Data management systems
• Computing methodologies → Machine learning

📚概述：围绕Shapley值的应用和计算问题，介绍其在数据库/机器学习领域的作用

• 关于Shapley是什么
  • 源于博弈论：旨在通过公平分配各个参与者的贡献，来解决分配问题
  • 很难计算：源于其组合性质，被证明为#P-hard问题
• Shapley的应用与挑战
  • 近年来在机器学习/数据库广泛使用，比如解释机器学习模型输出/评估特征贡献
  • 有很多研究致力于高效Shapley值计算，比如在特定场景寻求替代
• 本论文：从算法机制和应用假设的角度来综述Shapley值的应用及其计算方法
  • 介绍Shapley值的基本概念+在数据库和机器学习中的广泛应用
  • 讨论Shapley值计算的挑战，比如一些前沿的快速计算+近似计算
  • 探索了在特定应用背景下的替代解决方案

👇Beyond Bloom: A Tutorial on Future Feature-Rich Filters

🏛机构：乱七八糟

➡️领域：

• Theory of computation → Data structures design and analysis
• Bloom filters and hashing

📚概述：讨论了过滤器的重要性/现状，以及在数据密集型的新发展

• 过滤器的概念：
  • 是什么：存储数据集合的“近似表示”来节省内存空间
    • “近似表示”意味着，过滤器判断一个元素是否属于集合时，只能做近似(可能返回假阳性)
  • 比如：Bloom过滤器/商过滤器/Cuckoo过滤器
  • 用途：快速判断元素是否属于一个集合，在处理密集型数据是减少储存和计算量
    • 应用场景有：数据库/存储引擎/计算生物学/网安
• 过滤器的进展与限制
  • 进展：开发出了具有更好性能和更多特性的过滤器，优化了数据结构在不同场景的表现
  • 限制：现有设计只能克服一些局限，却往往牺牲了效率
• Tutorial
  • 帮助数据库社区了解过滤器理论和实践的最新进展
  • 展示使用现代过滤器API重新设计应用的真实案例
  • 讨论未解决的研究问题

6. Workshop Summaries

👇International Workshop on Data Management on New Hardware (DaMoN)

🏛机构：达姆施塔特工业大学/MIT

➡️领域：

• Information systems → Data management systems
• Computer systems organization → Architectures

📚概述：

• 背景：新硬件(多核CPU/GPU)的发展
• 困难：传统数据库架构难以适配新硬件，导致计算性能/扩展性不佳
• 研讨会结论：跨学科合作，重新设计数据库算法+架构

👇Second Workshop on Simplicity in Management of Data (SiMoD)

🏛机构：甲骨文/Simon Fraser University

➡️领域：Information systems → Data management systems

📚概述：

• 背景 ：现代数据库系统太复杂
• 问题：复杂设计尽管功能强大，但维护性差，实际应用中难以不出错
• 研讨会结论：应该提出简单且有效的查询优化/存储设计/数据库

👇Seventh International Workshop on Exploiting Artificial Intelligence Techniques for Data Management (aiDM)

🏛机构：乱七八糟，但居然有墨尔本大学的Renata，我的恩师哈哈哈

➡️领域：

• Information systems → Database management system engines
• Computing methodologies → Artificial intelligence

📚概述：

• 背景 ：AI技术被广泛应用于处理多种数据类型并优化数据管理系统
• 问题：当前数据库只要用来存储+检索，未能充分利用AI技术就行深层次优化
• 研讨会：讨论了查询优化/自动调优/自主数据库等等与AI的集成

👇Eighth Workshop on Data Management for End-to-End Machine Learning (DEEM)

🏛机构：UC Berkeley / 微软

📚概述：

• 背景 ：机器学习应用中数据管理日益复杂，尤其是ML流水中的大规模数管理
• 问题：
  • 数据预处理+模型选择+部署等步骤复杂
  • 需要支持多样化用户群体
  • 涉及人机交互/合规性等问题
• 研讨会：如何通过AI优化数据管理+ML流水+隐私保护+数据清洗+多模态数据管理等

👇GRADES-NDA’24: 7th Joint Workshop on Graph Data Management Experiences & Systems (GRADES) and Network Data Analytics (NDA)

🏛机构：乱七八糟

➡️领域：Information systems → Graph-based database models

📚概述：

• 背景 ：
  • 网络结构化数据在多个领域广泛应用
  • 图数据管理和分析变得越来越重要
• 问题：处理大规模图数据时，数据异质性、动态变化和质量低下的问题很常见
• 研讨会：讨论了图查询语言+动态图管理+异构网络上的机器学习等

👇Fourth International Workshop on Big Data in Emergent Distributed Environments (BiDEDE)

🏛机构：乱七八糟

➡️领域：Information systems → Data management systems

📚概述：

• 背景 ：新型分布式环境(边缘计算/无服务器计算)，为处理大规模异构数据提供了新方式
• 问题：新型分布式环境，面临复杂均衡/容错/数据分配等问题和挑战
• 研讨会：探讨在新型分布式环境中使用AI/数据集成/事务管理等…

👇Eighth Workshop on Human-In-the-Loop Data Analytics (HILDA)

🏛机构：乱七八糟

➡️领域：

• Information systems → Data management systems
• Humancentered computing

📚概述：

• 背景 ：关于人与数据交互，应将人类作为数据系统中的核心参与者
• 问题：传统数据管理系统，忽视了人类认知和时间的限制(以至于让人类认知成为瓶颈)
• 研讨会：探讨人与LLM交互/数据可视化/数据清理

👇Third International Workshop on Data Systems Education (DataEd’24)

🏛机构：乱七八糟

➡️领域：

• Information systems → Data management systems
• Applied computing → Education

📚概述：

• 背景 ：随着数据科学需求的增加，数据系统的教育需求愈大
• 问题：数据库教育和计算机科学教育社区之间互动较少，难以分享互补的观点和经验
• 研讨会：探讨数据系统教育的教学实践+课程设计+AI与数据管理结合等

👇First Workshop on Governance, Understanding and Integration of Data for Effective and Responsible AI (GUIDE-AI)

🏛机构：乱七八糟

➡️领域：

• Information systems → Data management systems
• Computing methodologies → Artificial intelligence

📚概述：

• 背景 ：数据驱动的自动化系统在高风险应用中广泛部署，数据管理在AI设计中的作用变得关键
• 问题：现有AI研究集中于算法优化，忽视了数据治理
• 研讨会：讨论数据治理、透明性、数据质量管理和AI系统的公平性与隐私保护等关键问题

👇First Workshop on Quantum Computing and Quantum-Inspired Technology for Data-Intensive Systems and Applications (Q-Data)

🏛机构：乱七八糟

➡️领域：

• Information systems → Data management systems
• Computer systems organization → Quantum computing

📚概述：

• 背景 ：量子计算的发展，使得研究者开始探索其在数据密集系统的潜力
• 问题：量子计算和传统计算结合的技术复杂性增加
• 研讨会：探讨量子计算、量子启发式硬件在数据库优化、数据处理系统和自动化数据库中的应用

👇Tenth International Workshop on Testing Database Systems (DBTest)

🏛机构：微软/NUS

➡️领域：

• Information systems → Database management system engines
• Software and its engineering → Software testing and debugging

📚概述：

• 背景 ：数据存储量和硬件技术的发展，数据库系统和数据密集型系统的测试需求日益增加
• 问题：测试和评估数据库系统的复杂性不断增加(云计算，大数据)
• 研讨会：探讨数据库系统的测试方法、性能评估、可靠性、安全性等问题