摘要 — 新兴的实例优化系统类别已显示出通过专门针对特定数据和查询工作负载实现高性能的潜力。特别是,机器学习 (ML) 技术已成功应用于构建各种实例优化组件(例如,学习索引)。本文研究了利用 ML 技术来增强空间索引(特别是 R 树)的性能,以适应给定的数据和查询工作负载。由于 R 树索引节点覆盖的区域在空间中重叠,因此在搜索空间中的特定点时,可能会探索从根到叶的多条路径。在最坏的情况下,可以搜索整个 R 树。在本文中,我们定义并使用重叠率来量化范围查询所需的无关叶节点访问程度。目标是提高传统 R 树对高重叠范围查询的查询性能,因为它们往往会产生较长的运行时间。我们引入了一种新的 AI 树,将 R 树的搜索操作转换为多标签分类任务,以排除无关的叶节点访问。然后,我们将传统的 R 树扩展到 AI 树,形成混合的“AI+R”树。“AI+R”树可以使用学习模型自动区分高重叠查询和低重叠查询。因此,“AI+R”树使用 AI 树处理高重叠查询,使用 R 树处理低重叠查询。在真实数据集上的实验表明,“AI+R”树可以将查询性能提高到传统 R 树的 500% 以上。
摘要 - 动态环境中的动作计划是自动机器人技术的重要任务。新兴方法采用可以通过观察(例如人类)专家来学习的神经网络。此类运动计划者通过不断提出候选路径以实现目标来对环境做出反应。这些候选路径中的一些可能是不安全的,即导致碰撞。因此,必须使用碰撞检测检查提议的路径以确保安全。我们观察到,如果我们可以预期哪些查询将返回不安全的结果,则可以消除25% - 41%的碰撞检测查询。我们利用这一观察结果提出了一种机制坐标,以预测沿拟议路径的给定机器人位置(姿势)是否会导致碰撞。通过优先考虑对预测碰撞的详细评估,坐标可以快速消除神经网络和其他基于采样的运动计划者提出的无效路径。坐标通过利用不同机器人姿势的物理空间位置并使用简单的哈希和饱和计数器来实现这一目标。我们证明了在包括CPU,GPU和ASIC在内的不同计算平台上碰撞预测的潜力。我们进一步提出了一个硬件碰撞预测单元(COPU),并将其与现有的碰撞检测加速器集成在一起。这平均17。2% - 32。跨不同运动计划算法和机器人的碰撞检测查询数量减少了1%。当应用于最先进的神经运动计划者[41]时,坐标会提高性能/瓦特1。平均而言,针对不同难度水平的运动计划查询。此外,我们发现碰撞预测的好处随着运动计划查询的计算复杂性增加并提供1。30×在狭窄的段落和混乱的环境中进行性能/瓦特的迹象。索引术语 - 机器人,硬件加速度,运动计划,碰撞检测,碰撞预测
资源影响:安全社交视频通话是一种类似于电话通话的通信方式,由于增加了视觉元素,可能会增加一些安全和隐私风险。因此,根据监狱规则 35A/YOI 规则 11 中的权力,需要使用安全社交视频通话进行通话监控,符合授权通信控制和拦截政策框架。机构必须有一个指定的本地职能部门来监督和提供资源监督每台正在使用的安全社交视频通话笔记本电脑,并有可能在监控终端上实时查看所有安全社交视频通话会话中的视频通话内容。联系方式:技术相关问题:videocalls@digital.justice.gov.uk 安全相关问题:NIU.ProjectsPolicy@justice.gov.uk 其他政策问题:operational_policy1@justice.gov.uk 副/集团主任签字:监狱政策副主任 Rachel Pascual OPS 批准发布:Sarah Coccia 运营政策分委员会主席,2021 年 2 月修订
向克莱尔郡议会出售或租赁房产——提案表 如果您有意向出售或租赁房产,请填写此表并寄回至:克莱尔郡议会,住房部,新路,恩尼斯,克莱尔郡 或扫描并发送电子邮件至 leasing@clarecoco.ie 有关出售房产的疑问,请致电 065-6846564 或发送电子邮件至:acquisitions@clarecoco.ie 有关租赁的疑问,请致电 065-6846553 或发送电子邮件至:leasing@clarecoco.ie ------------------------------------------------------------------------------------------------------------- 请勾选您有意与克莱尔郡议会达成的安排: 出售房产或短期租赁*(最长 10 年)(*也称为可用性安排)
LLM用户提示的查询。 对于现实世界中的AI应用程序至关重要,需要快速,有效的处理LLM用户提示的查询。对于现实世界中的AI应用程序至关重要,需要快速,有效的处理
如需了解有关意向书邀请通知的更多信息或说明,有意向的公司可在上述规定日期之前通过公司的官方电子邮件 ID 以书面形式向 IPS 院长发送疑问电子邮件(dean.ips@iitb.ac.in,抄送 po.ips@iitb.ac.in 和 dean.ips.office@iitb.ac.in)。所有有意向的公司对收到的疑问的回复以及在投标前会议期间以书面形式收到的疑问应在上述规定日期上传到 IITB 网站。公司应承担与此相关的所有旅行、住宿和膳食费用。如果公司决定不参加上述投标前会议,可以通过其授权代表按照意向书文件第一部分附件 I.9 中给出的格式提问。在任何情况下,投标前会议之后均不受理任何问题。印度孟买理工学院 (IIT Bombay) 应在其网站上发布所有问题和答复。这些答复将成为竞争条例和后续合同协议的一部分。投标人还应注意,印度孟买理工学院 (IITB) 保留在投标前会议后不再回复任何进一步询问的权利。C. 联系人
摘要在广泛的自然语言处理应用程序中大型语言模型(LLM)的最新成功为通往新的问答系统而不是知识图表的途径开辟了道路。然而,阻止其实施的主要障碍之一是缺乏将问题转化为相应的SPARQL查询的培训数据,尤其是在特定领域的KG中。为了克服这一挑战,在这项研究中,我们评估了几种策略,以微调Openllama LLM,以回答有关生命科学知识图的问题。特别是,我们提出了一种端到端数据增强方法,用于将一组现有查询扩展到给定知识图上,向较大的语义丰富的问题到SPARQL查询对的较大数据集,即使对于这些对稀缺的数据集也可以进行微调。在这种情况下,我们还研究了语义“线索”在查询中的作用,例如有意义的变量名称和内联评论。最后,我们评估了对现实世界中BGEE基因表达知识图的方法,并且与具有随机变量名称的基线相比,语义线索可以将模型性能提高高达33%,而没有评论。
摘要赞助的搜索在电子商务收入生成中起着至关重要的作用,广告商从战略上竞标了关键字,以通过相关的搜索查询吸引用户的注意力。但是,确定给定查询的相关关键字的过程提出了重大挑战,因为巨大而不断发展的关键字景观,模棱两可的意图和主题多样性。本文重点介绍了获得大量广告收入和用户参与度的机会,其中很大一部分的查询无法检索任何赞助的广告。为了利用此机会,我们介绍了基于库存意识的抹布生成AI模型(Invawr-rag),该模型集成了高级语义检索和实时库存数据。该模型结合了动态生成且历史上成功的查询,以与可用的库存和广告活动保持一致,同时多样化重写的查询以增强相关性和用户参与度。初步结果表明,填充率和平衡相关性指标的显着增加了68%,这表明广告收入增加了强大的潜力。Invawr-rag模型设置了动态查询优化的新标准,可在沃尔玛的数字平台上显着改善广告相关性,广告客户ROI和用户体验。
文本到SQL通过使非专家将其自然语言(NL)问题转换为结构化查询语言(SQL)查询来简化数据库交互。随着大语言模型(LLM)的进步,内在学习(ICL)已成为构建文本到SQL系统的流行选择。现实世界,行业规模的数据库通常包括表和数百列的桌子,并使整个模式将整个模式作为LLM的上下文不可估量昂贵。此要求访问正确的数据库和表集。最近提出了基于增强的增强剂(RAG)方法,用于检索给定查询的数据库和表的相关子集。但是,我们观察到,现有的合成查询生成方法可以产生主要简单的查询,这些查询可能无法充分代表复杂的现实世界查询,因此对生成的SQL的质量产生负面影响。为了解决这个问题,我们提出了一种基于创新的内在强化学习(ICRL)的框架,该框架通过增强模型生成了实践者在推理期间可能构成的复杂查询的能力来完善问题的生成过程。与现有方法相反,我们的框架与多样化和复杂的合成SQL查询产生。我们通过多个实验与公共标准数据集中的代表性最先进模型进行了比较,揭示了我们的方法的有效性,并观察到性能和可伸缩性的实质性提高。与用于识别模式的最新模型相比,数据库/表检索任务中的回忆提高了15-20%,而SQL生成的执行精度高达2%。