Tencent Cloud Database는 다시 한 번 최고의 컨퍼런스에서 인정을 받았으며 해당 논문은 VLDB2023에 성공적으로 선정되었습니다.
최고의 국제 데이터베이스 컨퍼런스인 제49회 VLDB 컨퍼런스에서 Tencent Cloud TDSQL의 두 논문이 VLDB 2023에 성공적으로 포함되어 최고의 국제 컨퍼런스인 VLDB가 혁신 기술을 인정받았다는 것을 다시 한 번 입증했습니다.
3대 컨퍼런스 중 하나 데이터베이스 분야에서 각 VLDB 컨퍼런스는 현재 데이터베이스 연구의 가장 최첨단 방향과 업계의 최신 응용 프로그램을 전시하는 데 중점을 두어 세계 최고의 기술 회사 및 연구 기관의 많은 참여를 유도합니다. 회의는 시스템 혁신, 완성도, 실험 설계 등에 대한 요구 사항이 매우 높기 때문에 VLDB 회의의 논문 채택률은 일반적으로 낮습니다(약 18%).
선정된 논문 중 Tencent Cloud, Nanjing University 및 ETH Zurich가 공동 개발한 "Efficient Black-box Checking of Snapshot Isolation in Databases" 솔루션은 Snapshot Isolation(SI)을 효율적으로 확인할 수 있는 새로운 블랙박스 검사기인 PolySI를 제안합니다. ) 위반이 감지되면 이해하기 쉬운 반례를 제공합니다.
스냅샷 격리는 일반적인 약한 격리 수준으로, 직렬화로 인한 성능 손실을 방지하고 많은 일반적인 데이터 이상 현상을 방지할 수 있습니다. 그러나 스냅샷 격리 보장을 제공한다고 주장하는 일부 프로덕션 클라우드 데이터베이스는 여전히 SI 데이터 변칙을 생성하며 이는 특히 금융 분야에 큰 영향을 미칠 것입니다. 업계의 기존 유사한 도구는 스냅샷 격리 수준 테스트를 지원하지 않거나 효율성이 떨어집니다. 데이터베이스 시스템의 복잡성과 데이터베이스 내의 내부 정보에 접근할 수 없는 경우가 많다는 점을 고려할 때 업계에서는 블랙박스 스냅샷 격리 검사기가 시급히 필요합니다.
이 문제를 해결하기 위해 우리는 "PolySI" 알고리즘과 도구를 제안하고 설계했습니다. PolySI의 이론적 기초는 PolySI의 정확성과 완전성을 보장하는 GP(Generalized Polygraphs)를 기반으로 하는 SI 특성화 정리입니다. PolySI는 SMT 솔버(MonoSAT)를 채택하고 도메인별 최적화와 함께 GP의 컴팩트 제약 조건 인코딩 체계를 활용하여 SMT 해결을 가속화합니다
현재 광범위한 평가를 통해 PolySI는 세 가지 생산에서 알려진 SI 이상을 성공적으로 재현합니다. 클라우드 데이터베이스와 이해 가능한 반례가 제공됩니다. PolySI는 여러 클래스의 워크로드에서 현재의 최첨단 SI 블랙박스 검사기보다 성능이 뛰어나며 대규모 워크로드로 확장할 수 있습니다.
우리가 이해한 바에 따르면 Tencent Cloud와 Simon Fraser University가 공동으로 작성한 "Online Schema Evolution is (Almost) Free for Snapshot Databases"라는 논문은 "Tesseract"라는 새로운 온라인 및 트랜잭션 스키마 진화 방법을 도입하여 문제 해결을 목표로 합니다. 온라인 데이터베이스 스키마 수정 과정에서 직면한 문제
현재 최신 데이터베이스 애플리케이션은 변화하는 요구에 따라 스키마를 변경하는 경우가 많습니다. 온라인 데이터베이스 스키마 수정의 가장 큰 장점은 데이터베이스 서비스를 중지하거나 진행 중인 트랜잭션을 중단할 필요가 없다는 것입니다. . 유지 관리 또는 데이터베이스 재시작을 위한 가동 중지 시간 없이 데이터베이스가 동적 변경 사항을 충족할 수 있도록 구조를 수정합니다.
기존 데이터베이스 시스템에서는 온라인 및 트랜잭션 스키마(스키마) 진화가 지원되지만 몇 가지 과제도 직면합니다. 첫 번째는 데이터 일관성 문제입니다. 구조적 수정 시 데이터의 일관성을 보장하려면 트랜잭션 또는 기타 메커니즘을 사용하여 데이터의 무결성과 정확성을 보장해야 합니다. 둘째, 긴 실행 시간 문제가 있습니다. 특히 대규모 데이터베이스나 복잡한 구조의 수정의 경우 일부 구조 수정은 완료하는 데 오랜 시간이 걸릴 수 있으며 이는 데이터베이스 성능에 특정 영향을 미칠 수 있습니다. 따라서 비즈니스에 미치는 영향을 최소화하려면 적절한 시간 내에 수정이 이루어져야 합니다.
과거 솔루션에서는 스키마 진화를 "패치"하기 위한 임시 접근 방식이 기존 시스템에 종종 적용되어 많은 Edge 사례가 발생했습니다. 그리고 불완전한 기능. 따라서 애플리케이션은 스키마 변경을 위해 신중하게 예정된 가동 중지 시간을 요구하는 경우가 많으므로 가용성이 희생됩니다.
위의 단점을 피하기 위해 Tesseract가 사용됩니다. 널리 사용되는 다중 버전 데이터베이스 시스템에서 스키마 진화는 소위 수정으로서의 데이터 정의(DDaM)라고 불리는 전체 테이블에 대한 데이터 수정 작업으로 모델링될 수 있습니다. 이러한 방식으로 Tesseract는 동시성 제어 프로토콜을 활용하여 거의 비용이 들지 않는 패턴을 지원할 수 있습니다.
Tesseract 애플리케이션 테스트에서 우리는 기존 스냅샷 격리 프로토콜을 간단하게 조정했습니다. 40코어 서버의 작업 부하에서 Tesseract는 다운타임 없이 온라인 트랜잭션 스키마 진화를 달성하고 진화 과정에서 높은 애플리케이션 성능을 유지할 수 있습니다.
최고의 데이터베이스 컨퍼런스 VLDB에 참여함으로써 Tencent Cloud는 데이터베이스 분야의 최신 기술을 제공합니다. 기술 혁신과 혁신 방향을 글로벌 기술 개발자들과 동시에 공유하며 데이터베이스 분야의 기술 및 산업 발전에 매우 귀중한 참고 사례를 제공합니다. 앞으로도 Tencent Cloud는 데이터베이스 관련 기술, 제품 및 생태학적 역량을 지속적으로 개선하여 각계각층에 편리하고 사용하기 쉬운 데이터베이스 서비스를 제공할 것입니다.
위 내용은 Tencent Cloud Database는 다시 한 번 최고의 컨퍼런스에서 인정을 받았으며 해당 논문은 VLDB2023에 성공적으로 선정되었습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











AIxiv 칼럼은 본 사이트에서 학술 및 기술 콘텐츠를 게재하는 칼럼입니다. 지난 몇 년 동안 이 사이트의 AIxiv 칼럼에는 전 세계 주요 대학 및 기업의 최고 연구실을 대상으로 한 2,000개 이상의 보고서가 접수되어 학술 교류 및 보급을 효과적으로 촉진하고 있습니다. 공유하고 싶은 훌륭한 작품이 있다면 자유롭게 기여하거나 보고를 위해 연락주시기 바랍니다. 제출 이메일: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com 인공 지능 개발 과정에서 LLM(대형 언어 모델)의 제어 및 안내는 항상 핵심 과제 중 하나였으며 이러한 모델이 두 가지 모두를 보장하는 것을 목표로 했습니다. 강력하고 안전하게 인간 사회에 봉사합니다. 인간 피드백(RL)을 통한 강화 학습 방법에 초점을 맞춘 초기 노력

역시 Tusheng 영상이지만 PaintsUndo는 다른 경로를 택했습니다. ControlNet 작성자 LvminZhang이 다시 살기 시작했습니다! 이번에는 회화 분야를 목표로 삼고 있습니다. 새로운 프로젝트인 PaintsUndo는 출시된 지 얼마 되지 않아 1.4kstar(여전히 상승세)를 받았습니다. 프로젝트 주소: https://github.com/lllyasviel/Paints-UNDO 이 프로젝트를 통해 사용자는 정적 이미지를 입력하고 PaintsUndo는 자동으로 라인 초안부터 완성품 따라가기까지 전체 페인팅 과정의 비디오를 생성하도록 도와줍니다. . 그리는 과정에서 선의 변화가 놀랍습니다. 최종 영상 결과는 원본 이미지와 매우 유사합니다. 완성된 그림을 살펴보겠습니다.

AIxiv 칼럼은 본 사이트에서 학술 및 기술 콘텐츠를 게재하는 칼럼입니다. 지난 몇 년 동안 이 사이트의 AIxiv 칼럼에는 전 세계 주요 대학 및 기업의 최고 연구실을 대상으로 한 2,000개 이상의 보고서가 접수되어 학술 교류 및 보급을 효과적으로 촉진하고 있습니다. 공유하고 싶은 훌륭한 작품이 있다면 자유롭게 기여하거나 보고를 위해 연락주시기 바랍니다. 제출 이메일: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com 이 논문의 저자는 모두 일리노이 대학교 Urbana-Champaign(UIUC)의 Zhang Lingming 교사 팀 출신입니다. Steven Code Repair, 박사 4년차, 연구원

AI 모델이 내놓은 답변이 전혀 이해하기 어렵다면 감히 사용해 보시겠습니까? 기계 학습 시스템이 더 중요한 영역에서 사용됨에 따라 우리가 그 결과를 신뢰할 수 있는 이유와 신뢰할 수 없는 경우를 보여주는 것이 점점 더 중요해지고 있습니다. 복잡한 시스템의 출력에 대한 신뢰를 얻는 한 가지 가능한 방법은 시스템이 인간이나 다른 신뢰할 수 있는 시스템이 읽을 수 있는 출력 해석을 생성하도록 요구하는 것입니다. 즉, 가능한 오류가 발생할 수 있는 지점까지 완전히 이해할 수 있습니다. 설립하다. 예를 들어, 사법 시스템에 대한 신뢰를 구축하기 위해 우리는 법원이 자신의 결정을 설명하고 뒷받침하는 명확하고 읽기 쉬운 서면 의견을 제공하도록 요구합니다. 대규모 언어 모델의 경우 유사한 접근 방식을 채택할 수도 있습니다. 그러나 이 접근 방식을 사용할 때는 언어 모델이 다음을 생성하는지 확인하세요.

현재 차세대 토큰 예측 패러다임을 사용하는 자동회귀 대규모 언어 모델은 전 세계적으로 인기를 얻고 있으며 동시에 인터넷의 수많은 합성 이미지와 비디오는 이미 확산 모델의 힘을 보여주었습니다. 최근 MITCSAIL 연구팀(그 중 한 명은 MIT 박사 과정 학생인 Chen Boyyuan)이 전체 시퀀스 확산 모델과 차세대 토큰 모델의 강력한 기능을 성공적으로 통합하고 훈련 및 샘플링 패러다임인 확산 강제(DF)를 제안했습니다. ). 논문 제목: DiffusionForcing:Next-tokenPredictionMeetsFull-SequenceDiffusion 논문 주소: https:/

건배! 종이 토론이 말로만 진행된다면 어떤가요? 최근 스탠포드 대학교 학생들은 arXiv 논문에 대한 질문과 의견을 직접 게시할 수 있는 arXiv 논문에 대한 공개 토론 포럼인 alphaXiv를 만들었습니다. 웹사이트 링크: https://alphaxiv.org/ 실제로 이 웹사이트를 특별히 방문할 필요는 없습니다. URL에서 arXiv를 alphaXiv로 변경하면 alphaXiv 포럼에서 해당 논문을 바로 열 수 있습니다. 논문, 문장: 오른쪽 토론 영역에서 사용자는 저자에게 논문의 아이디어와 세부 사항에 대해 질문하는 질문을 게시할 수 있습니다. 예를 들어 다음과 같이 논문 내용에 대해 의견을 제시할 수도 있습니다.

최근 새천년 7대 과제 중 하나로 알려진 리만 가설이 새로운 돌파구를 마련했다. 리만 가설은 소수 분포의 정확한 특성과 관련된 수학에서 매우 중요한 미해결 문제입니다(소수는 1과 자기 자신으로만 나눌 수 있는 숫자이며 정수 이론에서 근본적인 역할을 합니다). 오늘날의 수학 문헌에는 리만 가설(또는 일반화된 형식)의 확립에 기초한 수학적 명제가 천 개가 넘습니다. 즉, 리만 가설과 그 일반화된 형식이 입증되면 천 개가 넘는 명제가 정리로 확립되어 수학 분야에 지대한 영향을 미칠 것이며, 리만 가설이 틀린 것으로 입증된다면, 이러한 제안의 일부도 그 효과를 잃을 것입니다. MIT 수학 교수 Larry Guth와 Oxford University의 새로운 돌파구

LLM에 인과관계 사슬을 보여주면 공리를 학습합니다. AI는 이미 수학자 및 과학자의 연구 수행을 돕고 있습니다. 예를 들어, 유명한 수학자 Terence Tao는 GPT와 같은 AI 도구의 도움을 받아 자신의 연구 및 탐색 경험을 반복적으로 공유했습니다. AI가 이러한 분야에서 경쟁하려면 강력하고 신뢰할 수 있는 인과관계 추론 능력이 필수적입니다. 본 논문에서 소개할 연구에서는 작은 그래프의 인과 전이성 공리 시연을 위해 훈련된 Transformer 모델이 큰 그래프의 전이 공리로 일반화될 수 있음을 발견했습니다. 즉, Transformer가 단순한 인과 추론을 수행하는 방법을 학습하면 보다 복잡한 인과 추론에 사용될 수 있습니다. 팀이 제안하는 공리적 훈련 프레임워크는 시연만으로 패시브 데이터를 기반으로 인과 추론을 학습하는 새로운 패러다임입니다.
