本文提出了一種基於稀疏定位數據的室內人群建模和監控方法,通過概率模型和深度學習技術預測室內空間分區的人群分佈,並設計了一個統一的監控框架,用於持續監控擁擠區域。
本文提出了一種新的組合演算法,用於評估具有任意自由變數的非循環聯結查詢,該演算法基於對 Yannakakis 演算法的新穎推廣,並在運行時間上比 Yannakakis 演算法有多項式級的改進。
This research paper presents a novel combinatorial algorithm for acyclic Conjunctive Query (CQ) evaluation that improves upon the classic Yannakakis algorithm by achieving an output-sensitive running time polynomially better than previous approaches, without relying on fast matrix multiplication.
本文提出了一種名為 BEAUTY 的不確定性感知框架,通過量化基於學習的模型結果中的不確定性來增強基於學習的索引調整,並使用 what-if 工具作為補充機制來提高可靠性和降低管理複雜性。
학습 기반 인덱스 튜닝 모델의 불확실성을 정량화하면 기존 What-if 도구의 안정성과 학습 기반 모델의 효율성을 결합하여 보다 안정적이고 효율적인 인덱스 튜닝이 가능해집니다.
Quantifying uncertainty in learning-based database index tuning models, and combining them with traditional what-if tools, can significantly improve the reliability and efficiency of index tuning.
TELII 是一種針對大型電子健康記錄數據集設計的時間事件級別倒排索引方法,通過預先計算和存儲事件之間的關係和時間差,實現快速準確的隊列發現,顯著提升時間查詢速度。
TELII는 대규모 EHR 데이터 세트에서 빠르고 효율적인 시간적 사건 질의를 가능하게 하는 새로운 시간적 사건 레벨 역 인덱싱 방법입니다.
TELIIは、大規模なEHRデータセットにおけるコホート発見のための時間イベントレベルの転置インデックスであり、時間クエリを高速化し、臨床研究を促進します。
TELII is a novel temporal indexing method that significantly accelerates cohort discovery queries on large electronic health record (EHR) datasets by pre-computing and indexing temporal relationships between clinical events.