


Pangkalan Data Awan Tencent sekali lagi diiktiraf oleh persidangan teratas, dan kertas itu berjaya dipilih untuk VLDB2023
Pada Persidangan VLDB ke-49, persidangan pangkalan data antarabangsa teratas, dua kertas kerja Tencent Cloud TDSQL telah berjaya dimasukkan ke dalam VLDB 2023, sekali lagi membuktikan bahawa teknologi inovatif diiktiraf oleh VLDB, persidangan antarabangsa teratas
Sebagai salah satu daripada tiga persidangan teratas dalam bidang pangkalan data, setiap persidangan VLDB memfokuskan pada memaparkan arah paling canggih penyelidikan pangkalan data semasa dan aplikasi terkini dalam industri, menarik penyertaan banyak syarikat teknologi dan institusi penyelidikan terkemuka dunia. Oleh kerana persidangan itu mempunyai keperluan yang sangat tinggi terhadap inovasi sistem, kesempurnaan, reka bentuk eksperimen, dsb., kadar penerimaan kertas persidangan VLDB secara amnya rendah (kira-kira 18%).
Antara kertas terpilih, penyelesaian "Pemeriksaan Kotak Hitam Cekap bagi Pengasingan Syot Kilat dalam Pangkalan Data" yang dibangunkan bersama oleh Tencent Cloud, Universiti Nanjing dan ETH Zurich mencadangkan penyemak kotak hitam novel - PolySI , yang boleh menyemak pengasingan Syot Kilat (SI) dengan cekap ) dan berikan contoh balas yang boleh difahami apabila pelanggaran dikesan.
Pengasingan syot kilat ialah tahap pengasingan lemah biasa, yang mengelakkan kehilangan prestasi yang disebabkan oleh siri dan boleh menghalang banyak anomali data biasa. Walau bagaimanapun, beberapa pangkalan data awan pengeluaran yang mendakwa menyediakan jaminan pengasingan syot kilat masih akan menjana anomali data SI, yang akan memberi kesan besar, terutamanya dalam bidang kewangan. Alat serupa yang sedia ada dalam industri sama ada tidak menyokong ujian tahap pengasingan syot kilat atau kurang cekap. Memandangkan kerumitan sistem pangkalan data dan fakta bahawa maklumat dalaman dalam pangkalan data selalunya tidak boleh diakses, penyemak pengasingan syot kilat kotak hitam amat diperlukan dalam industri.
Untuk menyelesaikan masalah ini, kami mencadangkan dan mereka bentuk algoritma dan alatan "PolySI". Asas teori PolySI ialah teorem pencirian SI berdasarkan Poligraf Umum (GP), yang menjamin ketepatan dan kesempurnaan PolySI. PolySI mengguna pakai penyelesai SMT (MonoSAT) dan memanfaatkan skim pengekodan kekangan padat GP bersama-sama dengan pengoptimuman khusus domain untuk mempercepatkan penyelesai SMT
Pada masa ini, melalui penilaian yang meluas, PolySI berjaya menghasilkan semula anomali SI yang diketahui dalam tiga pengeluaran Anomali SI baharu dikesan dalam pangkalan data awan dan contoh balas yang boleh difahami disediakan. PolySI mengatasi prestasi penyemak kotak hitam SI terkini di bawah pelbagai kelas beban kerja dan mampu menskalakan kepada beban kerja berskala besar.
Menurut pemahaman kami, kertas kerja "Evolusi Skema Dalam Talian (Hampir) Percuma untuk Pangkalan Data Syot Kilat" yang disiapkan bersama oleh Tencent Cloud dan Universiti Simon Fraser memperkenalkan kaedah evolusi skema dalam talian dan transaksi baharu yang dipanggil "Tesseract", bertujuan untuk Menyelesaikan cabaran dihadapi dalam proses pengubahsuaian pangkalan data dalam talian skema
Pada masa ini, aplikasi pangkalan data moden sering membuat perubahan skema mengikut keperluan yang berubah Kelebihan utama pengubahsuaian pangkalan data dalam talian skema ialah tidak perlu menghentikan perkhidmatan pangkalan data atau mengganggu transaksi yang sedang berjalan. . Buat pengubahsuaian struktur yang membolehkan pangkalan data memenuhi perubahan dinamik tanpa memerlukan masa henti untuk penyelenggaraan atau memulakan semula pangkalan data.
Dalam sistem pangkalan data sedia ada, walaupun evolusi skema (skema) dalam talian dan transaksi disokong, mereka juga menghadapi beberapa cabaran. Yang pertama ialah isu ketekalan data Apabila pengubahsuaian struktur dibuat, untuk memastikan ketekalan data, transaksi atau mekanisme lain perlu digunakan untuk memastikan integriti dan ketepatan data. Kedua, terdapat masalah masa berjalan yang lama Beberapa pengubahsuaian struktur mungkin mengambil masa yang lama untuk disiapkan, terutamanya untuk pangkalan data yang besar atau pengubahsuaian struktur kompleks, yang mungkin mempunyai kesan tertentu terhadap prestasi pangkalan data. Oleh itu, pengubahsuaian perlu dibuat dalam tetingkap masa yang sesuai untuk meminimumkan kesan ke atas perniagaan
Dalam penyelesaian lepas, pendekatan ad hoc untuk "menampal" evolusi skema sering digunakan pada sistem sedia ada, yang mengakibatkan banyak kes Edge dan ciri yang tidak lengkap. Oleh itu, aplikasi sering memerlukan masa henti yang dijadualkan dengan teliti untuk membuat perubahan skema, mengorbankan ketersediaan
Untuk mengelakkan kelemahan di atas, Tesseract masuk. Dalam sistem pangkalan data berbilang versi yang digunakan secara meluas, evolusi skema boleh dimodelkan sebagai operasi pengubahsuaian data pada keseluruhan jadual, iaitu apa yang dipanggil Definisi Data sebagai Pengubahsuaian (DDaM). Dengan cara ini, Tesseract boleh menyokong corak pada kos hampir sifar dengan memanfaatkan protokol kawalan serentak
Dalam ujian aplikasi Tesseract, kami membuat pelarasan mudah kepada protokol pengasingan syot kilat sedia ada. Di bawah beban kerja pada pelayan 40 teras, Tesseract dapat mencapai evolusi skema transaksi dalam talian tanpa masa henti, dan mengekalkan prestasi aplikasi yang tinggi semasa proses evolusi
Dengan mengambil bahagian dalam persidangan pangkalan data teratas VLDB, Tencent Cloud membawa yang terkini dalam bidang pangkalan data Kejayaan teknologi dan hala tuju inovasi dikongsi dengan pembangun teknologi global secara serentak, yang juga menyediakan kes rujukan yang sangat berharga untuk pembangunan teknologi dan industri dalam bidang pangkalan data. Pada masa hadapan, Tencent Cloud akan terus menambah baik teknologi berkaitan pangkalan data, produk dan keupayaan ekologi untuk menyediakan perkhidmatan pangkalan data yang mudah dan mudah digunakan untuk semua lapisan masyarakat.
Atas ialah kandungan terperinci Pangkalan Data Awan Tencent sekali lagi diiktiraf oleh persidangan teratas, dan kertas itu berjaya dipilih untuk VLDB2023. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Lajur AIxiv ialah lajur di mana tapak ini menerbitkan kandungan akademik dan teknikal. Dalam beberapa tahun kebelakangan ini, lajur AIxiv laman web ini telah menerima lebih daripada 2,000 laporan, meliputi makmal terkemuka dari universiti dan syarikat utama di seluruh dunia, mempromosikan pertukaran dan penyebaran akademik secara berkesan. Jika anda mempunyai kerja yang sangat baik yang ingin anda kongsikan, sila berasa bebas untuk menyumbang atau hubungi kami untuk melaporkan. E-mel penyerahan: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com Dalam proses pembangunan kecerdasan buatan, kawalan dan bimbingan model bahasa besar (LLM) sentiasa menjadi salah satu cabaran utama, bertujuan untuk memastikan model ini adalah kedua-duanya. berkuasa dan selamat untuk masyarakat manusia. Usaha awal tertumpu kepada kaedah pembelajaran pengukuhan melalui maklum balas manusia (RL

Ia juga merupakan video Tusheng, tetapi PaintsUndo telah mengambil laluan yang berbeza. Pengarang ControlNet LvminZhang mula hidup semula! Kali ini saya menyasarkan bidang lukisan. Projek baharu PaintsUndo telah menerima 1.4kstar (masih meningkat secara menggila) tidak lama selepas ia dilancarkan. Alamat projek: https://github.com/lllyasviel/Paints-UNDO Melalui projek ini, pengguna memasukkan imej statik, dan PaintsUndo secara automatik boleh membantu anda menjana video keseluruhan proses mengecat, daripada draf baris hingga produk siap . Semasa proses lukisan, perubahan garisan adalah menakjubkan Hasil akhir video sangat serupa dengan imej asal: Mari kita lihat lukisan lengkap.

Lajur AIxiv ialah lajur di mana tapak ini menerbitkan kandungan akademik dan teknikal. Dalam beberapa tahun kebelakangan ini, lajur AIxiv laman web ini telah menerima lebih daripada 2,000 laporan, meliputi makmal terkemuka dari universiti dan syarikat utama di seluruh dunia, mempromosikan pertukaran dan penyebaran akademik secara berkesan. Jika anda mempunyai kerja yang sangat baik yang ingin anda kongsikan, sila berasa bebas untuk menyumbang atau hubungi kami untuk melaporkan. E-mel penyerahan: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com Semua pengarang kertas kerja ini adalah daripada pasukan guru Zhang Lingming di Universiti Illinois di Urbana-Champaign (UIUC), termasuk: Steven Code repair; pelajar kedoktoran tahun empat, penyelidik

Jika jawapan yang diberikan oleh model AI tidak dapat difahami sama sekali, adakah anda berani menggunakannya? Memandangkan sistem pembelajaran mesin digunakan dalam bidang yang lebih penting, menjadi semakin penting untuk menunjukkan sebab kita boleh mempercayai output mereka, dan bila tidak mempercayainya. Satu cara yang mungkin untuk mendapatkan kepercayaan dalam output sistem yang kompleks adalah dengan menghendaki sistem menghasilkan tafsiran outputnya yang boleh dibaca oleh manusia atau sistem lain yang dipercayai, iaitu, difahami sepenuhnya sehingga apa-apa ralat yang mungkin boleh dilakukan. dijumpai. Contohnya, untuk membina kepercayaan dalam sistem kehakiman, kami memerlukan mahkamah memberikan pendapat bertulis yang jelas dan boleh dibaca yang menjelaskan dan menyokong keputusan mereka. Untuk model bahasa yang besar, kita juga boleh menggunakan pendekatan yang sama. Walau bagaimanapun, apabila mengambil pendekatan ini, pastikan model bahasa menjana

Pada masa ini, model bahasa berskala besar autoregresif menggunakan paradigma ramalan token seterusnya telah menjadi popular di seluruh dunia Pada masa yang sama, sejumlah besar imej dan video sintetik di Internet telah menunjukkan kepada kami kuasa model penyebaran. Baru-baru ini, pasukan penyelidik di MITCSAIL (salah seorang daripadanya ialah Chen Boyuan, pelajar PhD di MIT) berjaya menyepadukan keupayaan berkuasa model resapan jujukan penuh dan model token seterusnya, dan mencadangkan paradigma latihan dan pensampelan: Diffusion Forcing (DF). ). Tajuk kertas: DiffusionForcing:Next-tokenPredictionMeetsFull-SequenceDiffusion Alamat kertas: https:/

sorakan! Bagaimana rasanya apabila perbincangan kertas adalah perkataan? Baru-baru ini, pelajar di Universiti Stanford mencipta alphaXiv, forum perbincangan terbuka untuk kertas arXiv yang membenarkan soalan dan ulasan disiarkan terus pada mana-mana kertas arXiv. Pautan laman web: https://alphaxiv.org/ Malah, tidak perlu melawati tapak web ini secara khusus. Hanya tukar arXiv dalam mana-mana URL kepada alphaXiv untuk terus membuka kertas yang sepadan di forum alphaXiv: anda boleh mencari perenggan dengan tepat dalam. kertas itu, Ayat: Dalam ruang perbincangan di sebelah kanan, pengguna boleh menyiarkan soalan untuk bertanya kepada pengarang tentang idea dan butiran kertas tersebut Sebagai contoh, mereka juga boleh mengulas kandungan kertas tersebut, seperti: "Diberikan kepada

Baru-baru ini, Hipotesis Riemann, yang dikenali sebagai salah satu daripada tujuh masalah utama milenium, telah mencapai kejayaan baharu. Hipotesis Riemann ialah masalah yang tidak dapat diselesaikan yang sangat penting dalam matematik, berkaitan dengan sifat tepat taburan nombor perdana (nombor perdana ialah nombor yang hanya boleh dibahagikan dengan 1 dan dirinya sendiri, dan ia memainkan peranan asas dalam teori nombor). Dalam kesusasteraan matematik hari ini, terdapat lebih daripada seribu proposisi matematik berdasarkan penubuhan Hipotesis Riemann (atau bentuk umumnya). Dalam erti kata lain, sebaik sahaja Hipotesis Riemann dan bentuk umumnya dibuktikan, lebih daripada seribu proposisi ini akan ditetapkan sebagai teorem, yang akan memberi kesan yang mendalam terhadap bidang matematik dan jika Hipotesis Riemann terbukti salah, maka antara cadangan ini sebahagian daripadanya juga akan kehilangan keberkesanannya. Kejayaan baharu datang daripada profesor matematik MIT Larry Guth dan Universiti Oxford

Tunjukkan rantai sebab kepada LLM dan ia mempelajari aksiom. AI sudah pun membantu ahli matematik dan saintis menjalankan penyelidikan Contohnya, ahli matematik terkenal Terence Tao telah berulang kali berkongsi pengalaman penyelidikan dan penerokaannya dengan bantuan alatan AI seperti GPT. Untuk AI bersaing dalam bidang ini, keupayaan penaakulan sebab yang kukuh dan boleh dipercayai adalah penting. Penyelidikan yang akan diperkenalkan dalam artikel ini mendapati bahawa model Transformer yang dilatih mengenai demonstrasi aksiom transitiviti sebab pada graf kecil boleh digeneralisasikan kepada aksiom transitiviti pada graf besar. Dalam erti kata lain, jika Transformer belajar untuk melakukan penaakulan sebab yang mudah, ia boleh digunakan untuk penaakulan sebab yang lebih kompleks. Rangka kerja latihan aksiomatik yang dicadangkan oleh pasukan adalah paradigma baharu untuk pembelajaran penaakulan sebab berdasarkan data pasif, dengan hanya demonstrasi
