當(dāng)?shù)貢r間8月16日至20日，第47屆VLDB 2021大會在丹麥哥本哈根舉行。

VLDB會議的全稱是超大型數(shù)據(jù)庫國際會議，是數(shù)據(jù)庫領(lǐng)域的頂級學(xué)術(shù)會議另外兩大數(shù)據(jù)庫會議SIGMOD和ICD共同構(gòu)成了數(shù)據(jù)庫領(lǐng)域的三大頂級會議

按照慣例，今年的VLDB會議設(shè)立了最佳研究論文獎和最佳學(xué)術(shù)論文獎，b論文獎，最佳可擴(kuò)展數(shù)據(jù)科學(xué)論文獎，最佳工業(yè)論文獎等諸多獎項(xiàng)。在此之前，中國學(xué)者在這一領(lǐng)域騎行，今年也不例外！

《人工智能科技評論》對獲獎的中國學(xué)者和論文信息介紹如下:

最佳研究論文獎

獲獎?wù)撐摹禨caling Attributed Network Embedding to Massive Graphs》

個人主頁:點(diǎn)擊打開

論文地址:點(diǎn)擊打開

論文摘要:

屬性網(wǎng)絡(luò)嵌入是獲得精確預(yù)測的一項(xiàng)具有挑戰(zhàn)性的任務(wù)，但將有效的ANE計算擴(kuò)展到包含數(shù)百萬個節(jié)點(diǎn)的海量圖，將它的難度推向了一個新的高度現(xiàn)有的解決方案基本上在這個圖上失敗，或者導(dǎo)致高成本，低質(zhì)量的嵌入，或者兩者兼而有之

本文提出了一種有效的，可擴(kuò)展的計算海量地圖的PANE方法，該方法在多個基準(zhǔn)數(shù)據(jù)集上達(dá)到了最高的性能水平其度量標(biāo)準(zhǔn)包括三種常見預(yù)測任務(wù)的準(zhǔn)確性:屬性推理，鏈路預(yù)測和節(jié)點(diǎn)分類尤其是PANE是目前已知唯一可行的大MAG數(shù)據(jù)解決方案，節(jié)點(diǎn)超過5900萬，邊數(shù)超過9.8億，屬性超過2000個，可以在12小時內(nèi)有效嵌入到單臺服務(wù)器上

PANE通過三個主要算法的設(shè)計，實(shí)現(xiàn)了較高的可擴(kuò)展性和有效性首先，基于一種新的屬性隨機(jī)游走模型，提出了學(xué)習(xí)目標(biāo)，但在處理大型圖的優(yōu)化任務(wù)時仍然具有挑戰(zhàn)性其次，PANE為解決優(yōu)化問題提供了高效的求解器，其關(guān)鍵模塊在于設(shè)計良好的嵌入初始化，大大減少了收斂所需的迭代次數(shù)最后，PANE通過上述求解器的非線性并行化，利用多核CPU，從而實(shí)現(xiàn)可擴(kuò)展性，保留高質(zhì)量的嵌入結(jié)果通過廣泛的實(shí)驗(yàn)，在8個真實(shí)數(shù)據(jù)集上對比了10種現(xiàn)有方法，證明PANE在結(jié)果質(zhì)量上優(yōu)于所有現(xiàn)有方法，速度快幾個數(shù)量級

最佳EAamp論文獎

獲獎?wù)撐?《Are We Ready For Learned Cardinality Estimation?！?/p>

個人主頁:點(diǎn)擊打開

論文地址:點(diǎn)擊打開

論文摘要:

基數(shù)估計是查詢優(yōu)化中一個長期未解決的基本問題最近，來自不同研究小組的許多論文一致指出，基于學(xué)習(xí)的模型可能會取代現(xiàn)有的基數(shù)估計器對此，我們提出了一個前瞻性的問題:基于學(xué)習(xí)模型的基數(shù)估計方法能否應(yīng)用于真實(shí)的數(shù)據(jù)庫產(chǎn)品本文的研究包括三個主要部分:第一，聚焦于靜態(tài)環(huán)境，在統(tǒng)一的工作量設(shè)置下，比較了不同學(xué)習(xí)方法和傳統(tǒng)方法在四個真實(shí)數(shù)據(jù)集上的性能，結(jié)果表明，基于學(xué)習(xí)的方法比傳統(tǒng)方法更準(zhǔn)確，但需要更高的訓(xùn)練成本和推理成本第二，基于學(xué)習(xí)的方法是否可以用于動態(tài)環(huán)境實(shí)驗(yàn)表明，它們跟不上快速更新數(shù)據(jù)的變化，可能會造成較大的誤差

基于學(xué)習(xí)的方法中幾種可能錯誤的現(xiàn)場研究我們發(fā)現(xiàn)相關(guān)性，分配或域大小的變化將極大地影響該方法的性能更重要的是，這些方法的行為往往難以解釋和預(yù)測基于上述發(fā)現(xiàn)，我們確定了未來需要進(jìn)一步研究的兩個方向，即如何降低學(xué)習(xí)模型的成本和如何提高模型的可信度

導(dǎo)研究人員和從業(yè)人員共同合作，將基于學(xué)習(xí)到的基數(shù)估計器應(yīng)用到真正的數(shù)據(jù)庫系統(tǒng)中。

最佳可擴(kuò)展數(shù)據(jù)科學(xué)論文獎

獲獎?wù)撐?《Optimizing Bipartite Matching in Real—World Applications by Incremental Cost Computation》

論文地址:點(diǎn)擊打開

論文摘要:

Kuhn—Munkres 算法是一種經(jīng)典的組合優(yōu)化算法，在交通等諸多應(yīng)用場景中被廣泛用于最小成本的二部匹配例如，網(wǎng)約車服務(wù)可以用它來匹配司機(jī)和乘客，以盡可能地縮短等待時間通常情況下，給定的兩個二部集合，需要計算所有二部對之間邊的成本并找到最優(yōu)匹配可是，現(xiàn)有研究忽略了邊成本計算對整體運(yùn)行時間的影響實(shí)際上，邊計算會大大超過最優(yōu)分配本身的計算，例如在為乘客匹配司機(jī)時，最短路徑往往需要很高的計算成本根據(jù)這一觀察，我們發(fā)現(xiàn)，常見的現(xiàn)實(shí)世界的設(shè)置表現(xiàn)出一個有用的特性，即允許我們僅在需要時使用最低的下限啟發(fā)式增量計算邊成本與原始 KM 算法相比，這種技術(shù)顯著降低了分配的總體成本，這一點(diǎn)我們已經(jīng)在多個真實(shí)數(shù)據(jù)集，工作負(fù)載上得到了驗(yàn)證此外，該算法并不限于這個領(lǐng)域，它還可能適用于其他有下限啟發(fā)式算法的環(huán)境

最佳工業(yè)論文獎

獲獎?wù)撐?《RAMP—TAO: Layering Atomic Transactions on Facebook's Online TAO Data Store》

論文一作 Audrey Cheng 目前是加州大學(xué)伯克利分校計算機(jī)科學(xué)專業(yè)在讀博士生，RISELAB 成員，師從 Ion Stoica 教授和 Natacha Crooks 教授，曾獲得伯克利校長獎學(xué)金，對數(shù)據(jù)庫與分布式系統(tǒng)感興趣。

個人主頁:點(diǎn)擊打開

論文地址:點(diǎn)擊打開

論文摘要:

與其他分布式數(shù)據(jù)存儲一樣，F(xiàn)acebook 社交圖譜 TAO 會優(yōu)先考慮可用性，效率和可擴(kuò)展性等因素，而不是滿足大型，可讀性強(qiáng)的工作負(fù)載所需要的一致性或保密性伴隨著產(chǎn)品開發(fā)人員在此系統(tǒng)上構(gòu)建不同的應(yīng)用程序，他們開始更多地關(guān)注業(yè)務(wù)語義可是，為選定的應(yīng)用程序提供高級功能，同時保持系統(tǒng)整體的可靠性和性能一直是一項(xiàng)挑戰(zhàn)在本文中，我們首先描述了開發(fā)者多年來的業(yè)務(wù)需求，以及目前 TAO 出現(xiàn)的原子級錯誤，以此探討了如何引入一個直觀的讀取業(yè)務(wù) API我們通過對潛在異常的測量研究，強(qiáng)調(diào)了 API 原子級可見性的必要性，這些異常通常在沒有強(qiáng)讀取隔離的情況下發(fā)生我們的分析表明，1500 次批量讀取中有 1 次反映部分業(yè)務(wù)性更新，這可能使開發(fā)人員體驗(yàn)變得復(fù)雜化，并產(chǎn)生意外的結(jié)果為了緩解這個問題，我們提出了 RAMP—TAO 協(xié)議，這是一個基于讀取原子級多分區(qū)協(xié)議的變體，支持最小開銷的部署，同時確保大規(guī)模讀取優(yōu)化工作負(fù)載的原子級可見性

免責(zé)聲明：此文內(nèi)容為本網(wǎng)站轉(zhuǎn)載企業(yè)宣傳資訊，僅代表作者個人觀點(diǎn)，與本網(wǎng)無關(guān)。僅供讀者參考，并請自行核實(shí)相關(guān)內(nèi)容。