English(EN) Compositional Online Learning for Semantic Data Processing Systems

新框架通过在线学习优化LLM在数据处理中的使用

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-28 04:00

研究人员开发了一个面向语义数据处理系统的新型组合在线学习框架，专门用于优化昂贵的大型语言模型（LLM）的使用。该方法允许多个学习组件在执行时做出决策并在线优化其学习的产物，使每个训练器步骤都能适应LLM的往返延迟。使用Cortex AISQL进行的案例研究表明，组合三个组件——一个记忆层、一个每次调用的过滤器排序学习器和一个每批次的级联路由学习器——带来了显著的性能提升，在代表性工作负载上实现了接近8倍的实际加速。 AI

影响优化LLM在数据处理中的集成，有望降低成本并提高查询性能。

排序理由这是一篇研究论文，详细介绍了一种用于语义数据处理系统在线学习的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 24 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇研究论文，详细介绍了一种用于语义数据处理系统在线学习的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Pawe\l{} Liskowski, Fuheng Zhao, Benjamin Han, Anupam Datta, Dimitris Tsirogiannis · 2026-08-28 04:00

面向语义数据处理系统的组合式在线学习

arXiv:2608.27244v1 Announce Type: cross Abstract: An LLM call in a semantic data processing system is expensive enough to dominate query cost, yet slow enough to hide a CPU-side learner's update behind its round-trip. In production, LLM compute accounts for $80-90\%$ of query cos…

本文如何被排名

报道来源 [1]

面向语义数据处理系统的组合式在线学习

相关实体

相关话题