Abstract: Path-based explanations provide intrinsic insights into graph-based recommendation models. However, most previous work has focused on explaining an individual recommendation of an item to a user. In this paper, we propose summary explanations, i.e., explanations that highlight why a user or a group of users receive a set of item recommendations and why an item, or a group of items, is recommended to a set of users as an effective means to provide insights into the collective behavior of the recommender. We also present a novel method to summarize explanations using efficient graph algorithms, specifically the Steiner Tree and the Prize-Collecting Steiner Tree. Our approach reduces the size and complexity of summary explanations while preserving essential information, making explanations more comprehensible for users and more useful to model developers. Evaluations across multiple metrics demonstrate that our summaries outperform baseline explanation methods in most scenarios, in a variety of quality aspects.

Περίληψη: Οι επεξηγήσεις βασισμένες σε μονοπάτια παρέχουν εγγενή κατανόηση των μοντέλων συστάσεων που στηρίζονται σε γράφους. Ωστόσο, η μέχρι σήμερα έρευνα εστιάζει κυρίως στην επεξήγηση μιας μεμονωμένης σύστασης αντικειμένου σε έναν χρήστη. Στην παρούσα εργασία προτείνουμε τις συνοπτικές επεξηγήσεις: επεξηγήσεις που αναδεικνύουν γιατί ένας χρήστης ή μια ομάδα χρηστών λαμβάνει ένα σύνολο συστάσεων αντικειμένων, καθώς και γιατί ένα αντικείμενο ή μια ομάδα αντικειμένων προτείνεται σε ένα σύνολο χρηστών, παρέχοντας έτσι βαθύτερη εικόνα για τη συλλογική συμπεριφορά του συστήματος συστάσεων. Επιπρόσθετα, παρουσιάζουμε μια καινοτόμο μέθοδο σύνοψης επεξηγήσεων με τη χρήση αποδοτικών αλγορίθμων γράφων, συγκεκριμένα του Steiner Tree και του Prize-Collecting Steiner Tree. Η προσέγγισή μας μειώνει το μέγεθος και την πολυπλοκότητα των συνοπτικών επεξηγήσεων, διατηρώντας τις ουσιώδεις πληροφορίες, καθιστώντας τις πιο κατανοητές για τους χρήστες και πιο χρήσιμες για τους δημιουργούς των μοντέλων. Πειραματικές αξιολογήσεις με πολλαπλές μετρικές δείχνουν ότι οι προτεινόμενες συνόψεις μας υπερτερούν των βασικών μεθόδων επεξήγησης στην πλειονότητα των σεναρίων και σε ποικίλες μετρικές ποιότητας.

Abstract: When the focus is on the relationships or interactions between entities, graphs offer an intuitive model for many real-world data. Such graphs are usually large and change over time, thus, requiring models and strategies that explore their evolution. We study the evolution of aggregate graphs and introduce the GraphTempo model that allows temporal and graph aggregation not only on node level by grouping individual nodes, but on a pattern level as well, where subgraphs are grouped together. Furthermore, we propose an efficient strategy for exploring the evolution of the graph based on identifying time intervals of significant growth, shrinkage, or stability. Finally, we evaluate the efficiency and effectiveness of the proposed approach using four real graphs.

Περίληψη: Όταν εστιάζουμε στις σχέσεις ή τις αλληλεπιδράσεις μεταξύ οντοτήτων, οι γράφοι προσφέρουν ένα διαισθητικό μοντέλο για πολλά δεδομένα του πραγματικού κόσμου. Τέτοιοι γράφοι είναι συνήθως μεγάλοι και αλλάζουν με το χρόνο, απαιτώντας, επομένως, μοντέλα και στρατηγικές που εξερευνούν την εξέλιξή τους. Μελετάμε την εξέλιξη συγκεντρωτικών γράφων και προτείνουμε το μοντέλο GraphTempo το οποίο επιτρέπει χρονική συνάθροιση και συνάθροιση γράφου όχι μόνο σε επίπεδο κόμβου με την ομαδοποίηση των κόμβων του γράφου, αλλά και σε επίπεδο προτύπου, όπου υπογράφοι ομαδοποιούνται μαζί. Επιπλέον, προτείνουμε μια αποδοτική στρατηγική για την εξερεύνηση της εξέλιξης του γράφου βασισμένη στον προσδιορισμό χρονικών διαστημάτων σημαντικής ανάπτυξης, μείωσης ή σταθερότητας. Τέλος, αποτιμούμε την απόδοση και την αποτελεσματικότητα της προτεινόμενης προσέγγισης χρησιμοποιώντας τέσσερις πραγματικούς γράφους.

Abstract: This paper presents a set of patterns on how schema evolution takes place over time in Free Open-Source Systems that are built on top of relational databases. To come up with these timing patterns, we have studied 151 projects of a public dataset of schema histories, with duration more than 12 months. The eight timing patterns of schema evolution are largely grouped in 3 families: (a) the family of limited and focused-in-time change, whose members differ only on when the change happens (early, middle or late life of a project), (b) the family of regular updates, whose members differ in the frequency of change, and (c) the family of middle or late initiation of change, whose members differ in the initiation of schema maintenance as well as the frequency of change.

Περίληψη: Αυτή η εργασία παρουσιάζει ένα σύνολο μοτίβων σχετικά με το πώς η εξέλιξη των σχημάτων βάσεων δεδομένων λαμβάνει χώρα με την πάροδο του χρόνου σε Συστήματα Ελεύθερου και Ανοικτού Κώδικα που είναι υλοποιημένα πάνω σε σχεσιακές βάσεις δεδομένων. Για να καταλήξουμε σε αυτά τα μοτίβα χρονισμού, έχουμε μελετήσει ένα δημόσια διαθέσιμο σύνολο δεδομένων με την ιστορική εξέλιξη 151 σχεσιακών σχημάτων, με διάρκεια μεγαλύτερη των 12 μηνών. Τα οκτώ μοτίβα χρονισμού της εξέλιξης των σχημάτων ομαδοποιούνται σε μεγάλο βαθμό σε 3 οικογένειες: (α) την οικογένεια περιορισμένης και εστιασμένης στο χρόνο αλλαγής, τα μέλη της οποίας διαφέρουν μόνο ως προς το πότε συμβαίνει η αλλαγή (πρώιμη, μέση ή ύστερη ζωή ενός έργου), (β) την οικογένεια τακτικών ενημερώσεων, τα μέλη της οποίας διαφέρουν ως προς τη συχνότητα αλλαγής και (γ) την οικογένεια μέσης ή ύστερης έναρξης αλλαγής, τα μέλη της οποίας διαφέρουν ως προς την έναρξη της συντήρησης του σχήματος καθώς και ως προς τη συχνότητα αλλαγής του.

Abstract: The generation of voluminous scientific data poses significant challenges for efficient storage, transfer, and analysis. Recently, error-bounded lossy compression methods emerged due to their ability to achieve high compression ratios while controlling data distortion. However, they often overlook the inherent spatial and temporal correlations within scientific data, thus missing opportunities for higher compression. In this paper we propose GRAPHCOMP, a novel graph-based method for error-bounded lossy compression of scientific data. We perform irregular segmentation of the original grid data and generate a graph representation that preserves the spatial and temporal correlations. Inspired by Graph Neural Networks (GNNs), we then propose a temporal graph autoencoder to learn latent representations that significantly reduce the size of the graph, effectively compressing the original data. Decompression reverses the process and utilizes the learnt graph model together with the latent representation to reconstruct an approximation of the original data. The decompressed data are guaranteed to satisfy a user-defined point-wise error bound. We compare our method against the state-of-the-art error-bounded lossy methods (i.e., HPEZ, SZ3.1, SPERR, and ZFP) on large-scale real and synthetic data. GRAPHCOMP consistently achieves the highest compression ratio across most datasets, outperforming the second-best method by margins ranging from 22% to 50%.

Περίληψη: Η παραγωγή μεγάλου όγκου επιστημονικών δεδομένων θέτει σημαντικές προκλήσεις για την αποτελεσματική αποθήκευση, μεταφορά και ανάλυση. Υπάρχουσες μέθοδοι συμπίεσης με απώλειες, επιτυγχάνουν υψηλούς λόγους συμπίεσης, ελέγχοντας παράλληλα την παραμόρφωση των δεδομένων. Ωστόσο, συχνά παραβλέπουν τις εγγενείς χωρικές και χρονικές συσχετίσεις των επιστημονικών δεδομένων, χάνοντας έτσι ευκαιρίες για υψηλότερη συμπίεση. Σε αυτή την εργασία προτείνουμε το GRAPHCOMP, μια νέα μέθοδο βασισμένη σε γράφους για συμπίεση επιστημονικών δεδομένων με απώλειες με όρια σφάλματος. Αρχικά τα δεδομένα διαιρούνται σε μικρές σχετικά ομογενείς περιοχές που αναπαρίστανται από ένα γράφο ο οποίος διατηρεί τις χωρικές και χρονικές συσχετίσεις. Εμπνευσμένοι από τα Νευρωνικά Δίκτυα Γράφων (GNN), προτείνουμε στη συνέχεια έναν χρονικό αυτόματο κωδικοποιητή γραφήματος (temporal graph autoencoder) για την εκμάθηση λανθανουσών αναπαραστάσεων που μειώνουν σημαντικά το μέγεθος του γραφήματος, συμπιέζοντας αποτελεσματικά τα αρχικά δεδομένα. Η αποσυμπίεση αντιστρέφει τη διαδικασία και χρησιμοποιεί το εκμαθημένο μοντέλο του γράφου μαζί με την λανθάνουσα αναπαράσταση για να ανακατασκευάσει μια προσέγγιση των αρχικών δεδομένων. Τα αποσυμπιεσμένα δεδομένα είναι εγγυημένα ότι ικανοποιούν ένα όριο σφάλματος ανά σημείο που ορίζεται από τον χρήστη. Συγκρίνουμε τη μέθοδό μας με τις πιο σύγχρονες μεθόδους με απώλειες και περιορισμό σφάλματος (HPEZ, SZ3.1, SPERR και ZFP) σε πραγματικά και συνθετικά δεδομένα μεγάλης κλίμακας. Το GRAPHCOMP επιτυγχάνει σταθερά τον υψηλότερο λόγο συμπίεσης στα περισσότερα σύνολα δεδομένων, ξεπερνώντας τη δεύτερη καλύτερη μέθοδο με περιθώρια που κυμαίνονται από 22% έως 50%.

Abstract: A recent trend in stream processing is offloading the computation of decomposable aggregation functions (DAF) from cloud nodes to geo-distributed fog/edge devices to decrease latency and improve energy efficiency. However, deploying DAFs on low-end devices is challenging due to their volatility and limited resources. Addi- tionally, in geo-distributed fog/edge environments, creating new operator instances on demand and replicating operators ubiqui- tously is restricted, posing challenges for achieving load balancing without overloading devices. Existing work predominantly focuses on cloud environments, overlooking DAF operator placement in resource-constrained and unreliable geo-distributed settings. This paper presents NEMO, a resource-aware optimization ap- proach that determines the replication factor and placement of DAF operators in resource-constrained geo-distributed topologies. Leveraging Euclidean embeddings of network topologies and a set of heuristics, NEMO scales to millions of nodes and handles topo- logical changes through adaptive re-placement and re-replication decisions. Compared to existing solutions, NEMO achieves up to 6× lower latency and up to 15× reduction in communication cost, while preventing overloaded nodes. Moreover, NEMO re-optimizes placements in constant time, regardless of the topology size. As a result, it lays the foundation to efficiently process continuous data streams on large, heterogeneous, and geo-distributed topologies.

Περίληψη: Μια πρόσφατη τάση στην επεξεργασία ροών δεδομένων είναι η εκφόρτωση του υπολογισμού αποσυνθέσιμων συναρτήσεων συνάθροισης (ΑΣΣ) από κόμβους του cloud σε γεωγραφικά κατανεμημένες συσκευές fog/edge, με στόχο τη μείωση της καθυστέρησης και τη βελτίωση της ενεργειακής απόδοσης. Ωστόσο, η ανάθεση ΑΣΣ σε συσκευές χαμηλών δυνατοτήτων είναι δύσκολη λόγω της αστάθειας και των περιορισμένων πόρων τους. Επιπλέον, στα γεωγραφικά κατανεμημένα περιβάλλοντα fog/edge, η δημιουργία νέων στιγμιότυπων χειριστών ροών δεδομένων κατά απαίτηση και η αναπαραγωγή των χειριστών είναι περιορισμένες, γεγονός που δημιουργεί σημαντικές δυσκολίες για την επίτευξη ισοκατανομής φορτίου χωρίς υπερφόρτωση των συσκευών. Η υπάρχουσα έρευνα επικεντρώνεται κυρίως σε περιβάλλοντα cloud, παραμελώντας την τοποθέτηση τελεστών ΑΣΣ σε περιορισμένους και μη αξιόπιστους γεωκατανεμημένους πόρους. Αυτό το άρθρο παρουσιάζει το NEMO, μια μέθοδο βελτιστοποίησης με επίγνωση των πόρων, που καθορίζει τον συντελεστή αναπαραγωγής και την τοποθέτηση των τελεστών ΑΣΣ σε γεωγραφικά κατανεμημένες τοπολογίες με περιορισμένους πόρους. Εκμεταλλευόμενο Ευκλείδειες ενσωματώσεις των τοπολογιών δικτύου και ένα σύνολο ευρετικών, το NEMO κλιμακώνεται σε εκατομμύρια κόμβους και διαχειρίζεται τις αλλαγές τοπολογίας μέσω προσαρμοστικών αποφάσεων επανατοποθέτησης και επαναναπαραγωγής. Σε σύγκριση με υπάρχουσες λύσεις, το NEMO επιτυγχάνει έως και 6 φορές χαμηλότερη καθυστέρηση και έως και 15 φορές μείωση του κόστους επικοινωνίας, ενώ αποτρέπει την υπερφόρτωση των κόμβων. Επιπλέον, το NEMO επαναβελτιστοποιεί τις τοποθετήσεις σε σταθερό χρόνο, ανεξαρτήτως του μεγέθους της τοπολογίας. Ως εκ τούτου, θέτει τα θεμέλια για αποδοτική επεξεργασία συνεχών ροών δεδομένων σε μεγάλες, ετερογενείς και γεωγραφικά κατανεμημένες τοπολογίες.

Abstract: Modern multi-tiered data storage systems optimize file access by managing data across a hybrid composition of caches and storage tiers while using policies whose decisions can severely impact the storage system’s performance. Recently, different Machine Learning (ML) algorithms have been used to model access patterns from complex workloads. Yet, current approaches train their models offline in a batch-based approach, even though storage systems are processing a stream of file requests with dynamic workloads. In this manuscript, we advocate the streaming ML paradigm for modeling access patterns in multi-tiered storage systems as it introduces various advantages, including high efficiency, high accuracy, and high adaptability. Moreover, representative file access patterns, including temporal, spatial, length, and frequency patterns, are identified for individual files, directories, and file formats, and used as features. Streaming ML models are developed, trained, and tested on different file system traces for making two types of predictions: the next offset to be read in a file and the future file hotness. An extensive evaluation is performed with production traces provided by Huawei Technologies, showing that the models are practical, with low memory consumption (<1.3 MB) and low training delay (<1.8 ms per training instance), and can make accurate predictions online (0.98 F1 score and 0.07 MAE on average).

Περίληψη: Τα σύγχρονα υβριδικά συστήματα αποθήκευσης δεδομένων βελτιστοποιούν την πρόσβαση στα αρχεία με το να διαχειρίζονται δεδομένα σε μια υβριδική σύνθεση κρυφών μνήμων και επιπέδων αποθήκευσης, ενώ χρησιμοποιούν πολιτικές των οποίων οι αποφάσεις μπορούν να επηρεάσουν σοβαρά την απόδοση του συστήματος. Πρόσφατα, διαφορετικοί αλγόριθμοι μηχανικής μάθησης έχουν χρησιμοποιηθεί για τη μοντελοποίηση μοτίβων πρόσβασης από πολύπλοκους φόρτους εργασίας. Ωστόσο, οι τρέχουσες προσεγγίσεις εκπαιδεύουν τα μοντέλα τους εκτός συστήματος σε μια προσέγγιση βασισμένη σε παρτίδες, παρόλο που τα συστήματα αποθήκευσης επεξεργάζονται μια ροή αιτημάτων πρόσβασης σε αρχεία με δυναμικό φόρτο εργασίας. Σε αυτή την εργασία, υποστηρίζουμε τη χρήση μηχανικής μάθησης ροής για τη μοντελοποίηση μοτίβων πρόσβασης σε υβριδικά συστήματα αποθήκευσης, καθώς εισάγει πολλαπλά πλεονεκτήματα, όπως υψηλή απόδοση, υψηλή ακρίβεια σε προβλέψεις και υψηλή προσαρμοστικότητα. Επιπλέον, αντιπροσωπευτικά μοτίβα πρόσβασης αρχείων, συμπεριλαμβανομένων των χρονικών, χωρικών, μεγέθους και συχνότητας, προσδιορίζονται για αρχεία, φακέλους και τύπους αρχείων, τα οποία χρησιμοποιούνται ως χαρακτηριστικά. Τα μοντέλα μηχανικής μάθησης ροής αναπτύσσονται, εκπαιδεύονται και δοκιμάζονται σε διαφορετικούς φόρτους εργασίας για την πραγματοποίηση δύο τύπων προβλέψεων: το σημείο της επόμενης πρόσβασης σε ένα αρχείο και τη μελλοντική δημοτικότητα του αρχείου. Πραγματοποιείται εκτενής αξιολόγηση με πραγματικούς φόρτους εργασίας που παρέχονται από την εταιρεία Huawei Technologies, δείχνοντας ότι τα μοντέλα είναι πρακτικά, με χαμηλή κατανάλωση μνήμης (<1,3 MB) και χαμηλό χρόνο εκπαίδευσης (<1,8 ms ανά σημείο εκπαίδευσης) και μπορούν να κάνουν ακριβείς προβλέψεις στο διαδίκτυο (0,98 βαθμολογία F1 και 0,07 MAE κατά μέσο όρο).

Abstract: Fast and scalable data transfer is crucial in today's decentralized data ecosystems and data-driven applications. Example use cases include transferring data from operational systems to consolidated data warehouse environments, or from relational database systems to data lakes for exploratory data analysis or ML model training. Traditional data transfer approaches rely on efficient point-to-point connectors or general middleware with generic intermediate data representations. Physical environments (e.g., on-premise, cloud, or consumer nodes) also have become increasingly heterogeneous. Existing work still struggles to achieve both, fast and scalable data transfer as well as generality in terms of heterogeneous systems and environments. Hence, in this paper, we introduce a holistic data transfer framework. Our XDBC framework splits the data transfer pipeline into logical components and provides a wide variety of physical implementations for these components. This design allows a seamless integration of different systems as well as the automatic optimizations of data transfer configurations according to workload and environment characteristics. Our evaluation shows that XDBC outperforms state-of-the-art generic data transfer tools by up to 5x, while being on par with specialized approaches.

Περίληψη: Η γρήγορη και ευέλικτη μεταφορά δεδομένων είναι ζωτικής σημασίας στα σημερινά αποκεντρωμένα οικοσυστήματα δεδομένων και στις data-driven εφαρμογές. Ενδεικτικές περιπτώσεις χρήσης περιλαμβάνουν τη μεταφορά δεδομένων από επιχειρησιακά συστήματα σε κεντρικές αποθήκες δεδομένων ή από σχεσιακές βάσεις δεδομένων σε λίμνες δεδομένων, για διερευνητική ανάλυση ή εκπαίδευση μοντέλων μηχανικής μάθησης. Οι παραδοσιακές προσεγγίσεις μεταφοράς δεδομένων βασίζονται είτε σε αποδοτικές απευθείας συνδέσεις μεταξύ συστημάτων, είτε σε γενικού σκοπού ενδιάμεσο λογισμικό που χρησιμοποιεί γενικές ενδιάμεσες αναπαραστάσεις δεδομένων. Τα υπολογιστικά περιβάλλοντα (όπως τοπικές υποδομές, το υπολογιστικό νέφος ή συσκευές χρηστών) παρουσιάζουν πλέον υψηλό βαθμό ετερογένειας. Ωστόσο, οι υπάρχουσες λύσεις συνεχίζουν να δυσκολεύονται να επιτύχουν τόσο υψηλές επιδόσεις και ευελιξία στη μεταφορά δεδομένων, όσο και γενικότητα απέναντι στην ποικιλομορφία συστημάτων και περιβαλλόντων. Στην παρούσα εργασία, παρουσιάζουμε ένα ολιστικό πλαίσιο μεταφοράς δεδομένων, το XDBC. Το XDBC διαχωρίζει τη ροή μεταφοράς δεδομένων σε λογικές μονάδες και προσφέρει πλούσιο σύνολο φυσικών υλοποιήσεων για την καθεμία. Η αρχιτεκτονική του XDBC επιτρέπει την ομαλή ενσωμάτωση ετερογενών συστημάτων, καθώς και την αυτόματη βελτιστοποίηση των ρυθμίσεων μεταφοράς δεδομένων, ανάλογα με τα χαρακτηριστικά του φόρτου εργασίας και του περιβάλλοντος. Η αξιολόγησή μας δείχνει ότι το XDBC υπερτερεί έως και 5 φορές σε σχέση με κορυφαία γενικά εργαλεία μεταφοράς δεδομένων, ενώ προσφέρει απόδοση αντίστοιχη με εξειδικευμένες λύσεις.

Abstract: This paper presents an in-memory, RDMA-enabled, highly-available, transactional Key-Value Store (KVS), dubbed Dandelion, that significantly improves performance in small deployments (e.g., 5-10 machines). Small deployments are motivated by the anticipated memory expansion (e.g., through CXL), which enables the deployment of in-memory KVSes with few machines but lots of memory. A small deployment presents locality opportunities that have not been examined by related work. Specifically, it is more likely that at any given time, we must send multiple messages to the same recipient. We leverage this by transparently batching multiple requests in the same network packet. Similarly, there is a greater chance of having multiple requests that can be served by the local hashtable without going through the network. Sending all requests to the hashtable as a batch allows it to overlap their memory latencies through software prefetching. Finally, it is more likely that the node that requests a key is itself a backup of that key. We leverage this by allowing strongly-consistent local reads from backups. Our evaluation shows that these optimizations result in up to 6.5x throughput improvement over a state-of-the-art system, FaSST, in OLTP workloads in a 5-machine deployment. We characterize the impact and scalability of each of these optimizations with up to 10 machines -- where Dandelion still offers as much as 3.5x higher throughput than FaSST.

Περίληψη: Αυτό το άρθρο παρουσιάζει ένα in-memory, RDMA-enabled, υψηλής διαθεσιμότητας, transactional Key-Value Store (KVS), με το όνομα Dandelion, το οποίο βελτιώνει σημαντικά τις επιδόσεις σε μικρές αναπτύξεις (π.χ. 5–10 μηχανές). Τέτοιες μικρές αναπτύξεις καθίστανται πιο εφικτές χάρη στην αναμενόμενη επέκταση της μνήμης (π.χ. μέσω CXL), που επιτρέπει in-memory KVSes με λίγες μηχανές αλλά άφθονη μνήμη. Οι μικρές αναπτύξεις προσφέρουν ευκαιρίες εντοπιότητας που δεν έχουν μελετηθεί εκτενώς στη σχετική βιβλιογραφία. Συγκεκριμένα, είναι πιο πιθανό να απαιτείται η αποστολή πολλαπλών μηνυμάτων στον ίδιο παραλήπτη την ίδια χρονική στιγμή. Αυτό το εκμεταλλευόμαστε με τη διαφανή ομαδοποίηση πολλών αιτημάτων στο ίδιο πακέτο δικτύου. Ομοίως, αυξάνεται η πιθανότητα ύπαρξης πολλαπλών αιτημάτων που μπορούν να εξυπηρετηθούν τοπικά από το hashtable χωρίς να περάσουν από το δίκτυο. Η αποστολή όλων των αιτημάτων ως batch στο hashtable επιτρέπει την επικάλυψη των καθυστερήσεων μνήμης μέσω software prefetching. Τέλος, είναι πιο πιθανό ο κόμβος που ζητά ένα κλειδί να είναι ο ίδιος και αντίγραφο (backup) του. Αυτό το εκμεταλλευόμαστε ενεργοποιώντας ισχυρά συνεπείς τοπικές αναγνώσεις από αντίγραφα. Η αξιολόγησή μας δείχνει ότι αυτές οι βελτιστοποιήσεις προσφέρουν έως και 6.5x αύξηση στο throughput σε σχέση με το προηγμένο σύστημα FaSST, σε OLTP workloads με ανάπτυξη 5 μηχανών. Χαρακτηρίζουμε την επίδραση και την κλιμακωσιμότητα καθεμιάς από τις βελτιστοποιήσεις έως και σε 10 μηχανές—όπου το Dandelion συνεχίζει να επιτυγχάνει έως και 3.5x υψηλότερο throughput από το FaSST.

Abstract: Memory Disaggregation decouples memory from traditional datacenter servers, offering a promising pathway for achieving very high availability in transactional in-memory disaggregated Key-Value Stores (DKVSes). Achieving such availability hinges on transactional protocols that can efficiently handle failures in this setting where compute and memory are independent. However, existing transactional protocols overlook the scenario where compute and memory fail independently. Exacerbating the problem, memory disaggregation relies on memory nodes with limited compute capacity, requiring one-sided RDMA-style protocols instead of traditional RPC-based approaches. This significantly complicates achieving a correct and recoverable protocol due to the limited semantics of one-sided RDMA. Moreover, the only state-of-the-art one-sided transactional protocol has overlooked recovery, jeopardizing correctness and performance. We present Pandora, the first one-sided transactional protocol that is specifically designed to enable fast and correct recovery on disaggregated KVSes. Pandora's fast recovery hinges on two innovations: (a) the PILL (Pandora's Implicit Latch Logging), a novel technique for managing latches in the presence of compute failures; and (b) an RDMA-based recovery algorithm that detects and quickly recovers from failures. To validate that Pandora recovers correctly in the presence of failures, we introduce a new litmus-testing framework for end-to-end validation of transactional protocols. Our evaluation (and validation) reveals that Pandora achieves fast and correct recovery in the range of a few milliseconds without compromising the performance of failure-free runtime execution.

Περίληψη: Η αποσυζευγμένη μνήμη (Memory Disaggregation) αποδεσμεύει τη μνήμη από τους παραδοσιακούς διακομιστές των datacenters, προσφέροντας μια πολλά υποσχόμενη προσέγγιση για την επίτευξη πολύ υψηλής διαθεσιμότητας σε transactional in-memory disaggregated Key-Value Stores (DKVSes). Η επίτευξη αυτής της διαθεσιμότητας προϋποθέτει transactional πρωτόκολλα που μπορούν να διαχειριστούν αποδοτικά σφάλματα σε περιβάλλοντα όπου ο υπολογισμός και η μνήμη είναι ανεξάρτητα. Ωστόσο, τα υπάρχοντα transactional πρωτόκολλα παραβλέπουν το σενάριο όπου οι υπολογιστικοί και οι μνημονικοί κόμβοι αποτυγχάνουν ανεξάρτητα. Το πρόβλημα επιτείνεται από το γεγονός ότι η αποσυζευγμένη μνήμη βασίζεται σε μνημονικούς κόμβους με περιορισμένες υπολογιστικές δυνατότητες, απαιτώντας πρωτόκολλα μονής κατεύθυνσης τύπου RDMA αντί για τις παραδοσιακές RPC προσεγγίσεις. Αυτό καθιστά πολύπλοκη την επίτευξη ενός ορθού και ανακτήσιμου transactional πρωτοκόλλου, λόγω των περιορισμένων σημασιολογικών δυνατοτήτων του one-sided RDMA. Επιπλέον, το μοναδικό σύγχρονο transactional πρωτόκολλο μονής κατεύθυνσης παραλείπει την υποστήριξη ανάκαμψης, υπονομεύοντας την ορθότητα και την απόδοση. Παρουσιάζουμε το Pandora, το πρώτο transactional πρωτόκολλο μονής κατεύθυνσης σχεδιασμένο ειδικά για ταχύτατη και ορθή ανάκαμψη σε disaggregated KVSes. Η ταχύτητα ανάκαμψης του Pandora βασίζεται σε δύο καινοτομίες: (α) το PILL (Pandora’s Implicit Latch Logging), μια νέα τεχνική διαχείρισης latches σε περιπτώσεις υπολογιστικής αποτυχίας, και (β) έναν αλγόριθμο ανάκαμψης βασισμένο σε RDMA που εντοπίζει και ανακτά ταχύτατα από σφάλματα. Για να επαληθεύσουμε ότι το Pandora ανακτάται ορθά σε περίπτωση σφαλμάτων, εισάγουμε ένα νέο πλαίσιο litmus-testing για end-to-end επαλήθευση transactional πρωτοκόλλων. Η αξιολόγηση και επαλήθεσή μας δείχνει ότι το Pandora επιτυγχάνει ταχύτατη και ορθή ανάκαμψη εντός λίγων millisecond χωρίς να θυσιάζει την απόδοση σε περιπτώσεις χωρίς σφάλματα.

Abstract: Internet of Things (IoT) applications make use of live data from numerous sensors that reside outside cloud datacenters. As a result, it is imperative for IoT data management systems to reduce their network footprint while simultaneously scaling to larger numbers of sensors. One way of achieving this is to adapt data generation to the rate of changes in the real world. In this systems paper, we propose Chameleon, a sensor-driven protocol for network-efficient data management that treats sensors as first-class components of a stream processing system. Chameleon combines local knowledge from the sensors with global knowledge

Περίληψη: Οι εφαρμογές του Διαδικτύου των Πραγμάτων (IoT) βασίζονται σε ζωντανά δεδομένα από πληθώρα αισθητήρων που βρίσκονται εκτός των υποδομών των υπολογιστικών νεφών. Ως εκ τούτου, είναι κρίσιμο τα συστήματα διαχείρισης δεδομένων IoT να μειώνουν το δικτυακό τους αποτύπωμα, διατηρώντας παράλληλα την ικανότητα κλιμάκωσης σε μεγαλύτερο αριθμό αισθητήρων. Μια προσέγγιση για την επίτευξη αυτού του στόχου είναι η προσαρμογή της παραγωγής δεδομένων με βάση τον ρυθμό μεταβολών στον πραγματικό κόσμο.

Abstract: Approximating a series of timestamped data points through a sequence of line segments with a maximum error guarantee is a fundamental data compression problem, termed as Piecewise Linear Approximation (PLA). As the demand for analyzing large volumes of time-series data across various domains continues to grow, the significance of this problem has recently received considerable attention. Recent PLA algorithms have emerged to help us handle the overwhelming amount of information, albeit at the expense of some precision loss. More precisely, these algorithms involve a delicate balance between the maximum acceptable precision loss and the space savings that can be achieved. In our recent work we proposed Sim-Piece, offering a fresh perspective on the long-standing challenge of PLA approximation. Sim-Piece identifies similarities among line segments in a PLA representation enabling their grouping and joint representation. This way, Sim-Piece delivers space-saving advantages that outperform even the optimal PLA approximation. In this work, we present Mix-Piece, an improved PLA compression algorithm that builds upon the core idea of Sim-Piece (i.e., exploiting similar PLA segments) but improves further its performance by (1) considering multiple candidate PLA segments when ingesting a time series, (2) enabling grouping of additional segments not utilized by Sim-Piece, and, (3) making use of a versatile output format that exploits all segment similarities. Our experimental evaluation demonstrates that Mix-Piece outperforms Sim-Piece and previous competing techniques, attaining compression ratios with more than twofold improvement on average over what PLA algorithms can offer. This allows for providing significantly higher accuracy with equivalent space requirements.

Περίληψη: Η προσέγγιση μιας σειράς δεδομένων με χρονική σήμανση μέσω μιας ακολουθίας ευθυγράμμων τμημάτων με εγγύηση μέγιστου σφάλματος αποτελεί ένα θεμελιώδες πρόβλημα συμπίεσης δεδομένων, γνωστό ως Κατά Τμήματα Γραμμική Προσέγγιση (Piecewise Linear Approximation - PLA). Καθώς η ανάγκη για ανάλυση μεγάλων όγκων χρονοσειρών σε διάφορους τομείς αυξάνεται, το πρόβλημα αυτό έχει τραβήξει ιδιαίτερη προσοχή τα τελευταία χρόνια. Πρόσφατοι αλγόριθμοι PLA έχουν αναπτυχθεί για να διαχειρίζονται τον τεράστιο όγκο πληροφοριών, αν και με κάποιο κόστος σε ακρίβεια. Πιο συγκεκριμένα, αυτοί οι αλγόριθμοι προσπαθούν να ισορροπήσουν μεταξύ της μέγιστης αποδεκτής απώλειας σε ακρίβεια και της εξοικονόμησης χώρου που μπορεί να επιτευχθεί. Στο πρόσφατο άρθρο μας προτείναμε τον Sim-Piece, μια νέα προσέγγιση στο διαχρονικό πρόβλημα της προσέγγισης μέσω PLA. Ο Sim-Piece εντοπίζει ομοιότητες μεταξύ γραμμικών τμημάτων σε μια αναπαράσταση PLA, επιτρέποντας την ομαδοποίησή τους και την κοινή αναπαράσταση. Με αυτόν τον τρόπο, ο Sim-Piece πετυχαίνει εξοικονόμηση χώρου ξεπερνώντας ακόμη και την βέλτιστη προσέγγιση μέσω PLA. Σε αυτή την εργασία, παρουσιάζουμε τον Mix-Piece, έναν βελτιωμένο αλγόριθμο συμπίεσης PLA που βασίζεται στην κεντρική ιδέα του Sim-Piece (δηλαδή την εκμετάλλευση των παρόμοιων τμημάτων PLA), αλλά ενισχύει περαιτέρω την απόδοσή του με τους εξής τρόπους (1) λαμβάνοντας υπόψη πολλαπλά υποψήφια PLA τμήματα κατά την εισαγωγή μιας χρονοσειράς, (2) επιτρέποντας την ομαδοποίηση επιπλέον τμημάτων που δεν χρησιμοποιήθηκαν από τον Sim-Piece, και (3) αξιοποιώντας μια ευέλικτη μορφή εξόδου που εκμεταλλεύεται όλες τις ομοιότητες μεταξύ τμημάτων. Η πειραματική μας αξιολόγηση δείχνει ότι ο Mix-Piece υπερτερεί του Sim-Piece και των προηγούμενων ανταγωνιστικών τεχνικών, επιτυγχάνοντας κατά μέσο όρο πάνω από διπλάσια βελτίωση σε λόγους συμπίεσης σε σχέση με ό,τι προσφέρουν οι αλγόριθμοι PLA. Αυτό επιτρέπει την παροχή σημαντικά υψηλότερης ακρίβειας με ισοδύναμες απαιτήσεις σε αποθηκευτικό χώρο.

Abstract: SPARTAN: Data-Adaptive Symbolic Time-Series Approximation FAN YANG, The Ohio State University, USA JOHN PAPARRIZOS, The Ohio State University, USA Symbolic approximations are dimensionality reduction techniques that convert time series into sequences of discrete symbols, enhancing interpretability while reducing computational and storage costs. To construct symbolic representations, first numeric representations approximate and capture properties of raw time series, followed by a discretization step that converts these numeric dimensions into symbols. Despite decades of development, existing approaches have several key limitations that often result in unsatisfactory performance: they (i) rely on data-agnostic numeric approximations, disregarding intrinsic properties of the time series; (ii) decompose dimensions into equal-sized subspaces, assuming independence among dimensions; and (iii) allocate a uniform encoding budget for discretizing each dimension or subspace, assuming balanced importance. To address these shortcomings, we propose SPARTAN, a novel data-adaptive symbolic approximation method that intelligently allocates the encoding budget according to the importance of the constructed uncorrelated dimensions. Specifically, SPARTAN (i) leverages intrinsic dimensionality reduction properties to derive non- overlapping, uncorrelated latent dimensions; (ii) adaptively distributes the budget based on the importance of each dimension by solving a constrained optimization problem; and (iii) prevents false dismissals in similarity search by ensuring a lower bound on the true distance in the original space. To demonstrate SPARTAN’s robustness, we conduct the most comprehensive study to date, comparing SPARTAN with seven state-of-the-art symbolic methods across four tasks: classification, clustering, indexing, and anomaly detection. Rigorous statistical analysis across hundreds of datasets shows that SPARTAN outperforms competing methods significantly on all tasks in terms of downstream accuracy, given the same budget. Notably, SPARTAN achieves up to a 2x speedup compared to the most accurate rival. Overall, SPARTAN effectively improves the symbolic representation quality without storage or runtime overheads, paving the way for future advancements.

Περίληψη:

Abstract: Distance measures are fundamental to time series analysis and have been extensively studied for decades. Until now, research efforts mainly focused on univariate time series, leaving multivariate cases largely under- explored. Furthermore, the existing experimental studies on multivariate distances have critical limitations: (a) focusing only on lock-step and elastic measures while ignoring categories such as sliding and kernel measures; (b) considering only one normalization technique; and (c) placing limited focus on statistical analysis of findings. Motivated by these shortcomings, we present the most complete evaluation of multivariate distance measures to date. Our study examines 30 standalone measures across 8 categories, 2 channel-dependency models, and considers 13 normalizations. We perform a comprehensive evaluation across 30 datasets and 3 downstream tasks, accompanied by rigorous statistical analysis. To ensure fairness, we conduct a thorough investigation of parameters for methods in both a supervised and an unsupervised manner. Our work verifies and extends earlier findings, showing that insights from univariate distance measures also apply to the multivariate case: (a) alternative normalization methods outperform Z-score, and for the first time, we demonstrate statistical differences in certain categories for the multivariate case; (b) multiple lock-step measures are better suited than Euclidean distance, when it comes to multivariate time series; and (c) newer elastic measures outperform the widely adopted Dynamic Time Warping distance, especially with proper parameter tuning in the supervised setting. Moreover, our results reveal that (a) sliding measures offer the best trade-off between accuracy and runtime; (b) current normalization techniques fail to significantly enhance accuracy on multivariate time series and, surprisingly, do not outperform the no normalization case, indicating a lack of appropriate solutions for normalizing multivariate time series; and (c) independent consideration of time series channels is beneficial only for elastic measures. In summary, we offer guidelines to aid in designing and selecting preprocessing strategies and multivariate distance measures for our community.

Περίληψη:

Abstract: Currently, the growing proliferation of information systems generates large volumes of data continuously, stemming from a variety of sources such as web platforms, social networks, and multiple devices. These data, often lacking a defined schema, require an initial process of consolidation and cleansing before analysis and knowledge extraction can occur. In this context, Entity Resolution (ER) plays a crucial role, facilitating the integration of knowledge bases and identifying similarities among entities from different sources. However, the traditional ER process is computationally expensive, and becomes more complicated in the streaming context where the data arrive continuously. Moreover, there is a lack of studies involving fairness and ER, which is related to the absence of discrimination or bias. In this sense, fairness criteria aim to mitigate the implications of data bias in ER systems, which requires more than just optimizing accuracy, as traditionally done. Considering this context, this work presents TREATS, a schema-agnostic and fairness-aware ER workflow developed for managing streaming data incrementally. The proposed fairness-aware ER framework tackles constraints across various groups of interest, presenting a resilient and equitable solution to the related challenges. Through experimental evaluation, the proposed techniques and heuristics are compared against state-of-the-art approaches over five real-world data source pairs, in which the results demonstrated significant improvements in terms of fairness, without degradation of effectiveness and efficiency measures in the streaming environment. In summary, our contributions aim to propel the ER field forward by providing a workflow that addresses both technical challenges and ethical concerns.

Περίληψη: Ο μεγάλος ρυθμός αύξησης των πληροφοριακών συστημάτων παράγει συνεχώς μεγάλους όγκους δεδομένων, που προέρχονται από μια ποικιλία πηγών, όπως διαδικτυακές πλατφόρμες, κοινωνικά δίκτυα και πολλαπλές συσκευές. Αυτά τα δεδομένα, που συχνά δεν διαθέτουν καθορισμένο σχήμα, απαιτούν μια αρχική διαδικασία ενοποίησης και καθαρισμού, ώστε να μπορούν να αναλυθούν και να χρησιμοποιηθούν για εξαγωγή γνώσης. Σε αυτό το πλαίσιο, η Ταυτοποίηση Οντοτήτων (entity resolution - ER) παίζει κρίσιμο ρόλο, διευκολύνοντας την ενσωμάτωση των βάσεων γνώσης και τον εντοπισμό ομοιοτήτων μεταξύ οντοτήτων από διαφορετικές πηγές. Ωστόσο, η παραδοσιακή διαδικασία ER είναι υπολογιστικά δαπανηρή και γίνεται πιο περίπλοκη στο πλαίσιο συνεχών ροών δεδομένων. Επιπλέον, υπάρχει έλλειψη εργασιών που να μελετούν ζητήματα μεροληψίας/δικαιοσύνης στο ER. Τα κριτήρια δικαιοσύνης στοχεύουν στον μετριασμό των επιπτώσεων της μεροληψίας δεδομένων στα συστήματα ER, κάτι που απαιτεί κάτι περισσότερο από τη βελτιστοποίηση μόνο της ακρίβειας, όπως γίνεται παραδοσιακά. Λαμβάνοντας υπόψη αυτό το πλαίσιο, η παρούσα εργασία παρουσιάζει το TREATS, μια ροή εργασίας ER που δεν εξαρτάται από σχήματα, λαμβάνει υπόψιν τη δικαιοσύνη και αναπτύχθηκε για τη σταδιακή διαχείριση ροών δεδομένων. Το προτεινόμενο πλαίσιο ER με επίγνωση της δικαιοσύνης αντιμετωπίζει περιορισμούς σε πολλαπλές ομάδες ενδιαφέροντος, παρουσιάζοντας μια ανθεκτική και δίκαιη λύση στις σχετικές προκλήσεις. Μέσω πειραματικής αξιολόγησης, οι προτεινόμενες τεχνικές και οι ευρετικές μέθοδοι συγκρίνονται με προσεγγίσεις αιχμής σε πέντε ζεύγη πραγματικών πηγών δεδομένων, στα οποία τα αποτελέσματα κατέδειξαν σημαντικές βελτιώσεις όσον αφορά τη δικαιοσύνη, χωρίς υποβάθμιση των μετρικών αποτελεσματικότητας και αποδοτικότητας στο περιβάλλον ροής. Συνοπτικά, οι συνεισφορές μας στοχεύουν στην προώθηση του τομέα του ER παρέχοντας μια ροή εργασίας που αντιμετωπίζει τόσο τεχνικές προκλήσεις όσο και ηθικά ζητήματα.

Abstract: For over five decades, enabling non-technical users to access databases without SQL has been a major research focus. Despite recent advances in Text-to-SQL, the primary focus remains on accuracy, often overlooking real-world deployment challenges. This demo presents DataDazzle, a natural language data exploration system. It allows users to query data, review and verify answers, and benefit from recommendations, offering a comprehensive data exploration experience.

Περίληψη: Για περισσότερες από πέντε δεκαετίες, η δυνατότητα πρόσβασης μη τεχνικών χρηστών σε βάσεις δεδομένων χωρίς τη χρήση SQL αποτελεί κύριο αντικείμενο έρευνας. Παρά τις πρόσφατες εξελίξεις στο πεδίο του Text-to-SQL, η κύρια έμφαση εξακολουθεί να δίνεται στην ακρίβεια, συχνά παραβλέποντας τις προκλήσεις που προκύπτουν στην πραγματική χρήση. Το DataDazzle είναι ένα σύστημα εξερεύνησης δεδομένων μέσω φυσικής γλώσσας. Επιτρέπει στους χρήστες να υποβάλλουν ερωτήματα, να εξετάζουν και να επαληθεύουν απαντήσεις, και να επωφελούνται από προτάσεις, προσφέροντας μια ολοκληρωμένη εμπειρία εξερεύνησης δεδομένων.

Abstract: The more nuanced the declarative process constraints discovered from an event log, the more likely they are to capture meaningful business knowledge, thus fostering the application of declarative process modeling in practice. Branching the activation (source) or the target of the constraints, that is, allowing more than one event type to appear as the source or the target, is a typical way to increase their expressivity. For the discovery of Declare constraints, only the case of branching the constraint target considering the inclusive disjunction policy has been considered. In this paper, we present CBDeclare, a comprehensive approach to branched declarative process constraints, contributing in two key dimensions. First, we define a semantics of both source- and target-branched Declare constraints considering different branching policies. Second, we devise methods to discover the newly defined Declare constraint types from an event log. Our solution leverages the SIESTA framework’s scalable and incremental infrastructure for event processing, achieving significant performance gains in mining these extended constraint when compared to the solutions for target-branched constraint discovery available in the literature.

Περίληψη: Όσο πιο εκφραστικοί είναι οι δηλωτικοί (Declarative) κανόνες διαδικασιών που εξάγονται από ένα αρχείο συμβάντων (event log), τόσο πιθανότερο είναι να αποτυπώνουν ουσιαστική επιχειρησιακή γνώση, ενισχύοντας έτσι την πρακτική εφαρμογή της δηλωτικής μοντελοποίησης διαδικασιών. Η διακλάδωση της ενεργοποίησης (πηγή) ή του στόχου των κανόνων, δηλαδή η δυνατότητα περισσότερων από έναν τύπων συμβάντων να λειτουργούν ως πηγή ή ως στόχος, αποτελεί συνήθη προσέγγιση για την αύξηση της εκφραστικότητάς τους. Ωστόσο, για την εξαγωγή κανόνων Declare έχει εξεταστεί μέχρι σήμερα μόνο η περίπτωση διακλάδωσης στον στόχο του κανόνα, και μάλιστα αποκλειστικά υπό την πολιτική της συμπεριληπτικής διάζευξης (inclusive disjunction). Στην παρούσα εργασία παρουσιάζουμε το CBDeclare, μια ολοκληρωμένη προσέγγιση για τους κλαδικούς δηλωτικούς κανόνες διαδικασιών, εξετάζοντας δύο βασικές διαστάσεις. Πρώτον, ορίζουμε τη σημασιολογία τόσο για διακλαδώσεις στην πηγή όσο και στον στόχο, λαμβάνοντας υπόψη διαφορετικές πολιτικές διακλάδωσης. Δεύτερον, αναπτύσσουμε μεθόδους για την ανακάλυψη των νέων αυτών τύπων κανόνων Declare από αρχεία συμβάντων. Η προτεινόμενη λύση αξιοποιεί την επεκτάσιμη και κλιμακώσιμη υποδομή επεξεργασίας συμβάντων SIESTA, επιτυγχάνοντας σημαντική απόδοση στην εξόρυξη των διευρυμένων αυτών κανόνων σε σύγκριση με τις υπάρχουσες λύσεις για κανόνες με διακλάδωση στον στόχο.

Abstract: In this demonstration paper, we introduce LLM-MS, an interactive multi-model search engine that dynamically allocates tokens across multiple Large Language Models (LLMs) for query processing. Our system supports two demonstration modes: an interactive mode that allows for real-time query input, and a fixed mode, which operates on preloaded synthetic queries. LLM-MS features an intuitive interface, with interactive menus and adjustable parameters, enabling seamless switching between the two modes. Additionally, real-time visualization provides users with insights into the system's internal processes. This demonstration highlights dynamic model selection, real-time feedback, and flexible configuration, showcasing the adaptability and efficiency of LLM-MS.

Περίληψη: Σε αυτήν την επίδειξη, παρουσιάζουμε το LLM-MS, μια διαδραστική μηχανή αναζήτησης πολλαπλών μοντέλων που κατανέμει δυναμικά τις νομισματικές μονάδες του χρήστη σε πολλαπλά Μεγάλα Γλωσσικά Μοντέλα (ΜΓΜ) για την επεξεργασία ερωτημάτων. Το σύστημά μας υποστηρίζει δύο τρόπους επίδειξης: έναν διαδραστικό τρόπο που επιτρέπει την εισαγωγή ερωτημάτων σε πραγματικό χρόνο και έναν σταθερό τρόπο, ο οποίος λειτουργεί με προφορτωμένα συνθετικά ερωτήματα. Το LLM-MS διαθέτει μια εύχρηστη διεπαφή, με διαδραστικά μενού και ρυθμιζόμενες παραμέτρους, που επιτρέπει την απρόσκοπτη εναλλαγή μεταξύ των δύο λειτουργιών. Επιπλέον, η οπτικοποίηση σε πραγματικό χρόνο παρέχει στους χρήστες πληροφορίες για τις εσωτερικές διαδικασίες του συστήματος. Αυτή η επίδειξη αναδεικνύει τη δυναμική επιλογή μοντέλου, την ανατροφοδότηση σε πραγματικό χρόνο και την ευέλικτη διαμόρφωση, επιδεικνύοντας την προσαρμοστικότητα και την αποτελεσματικότητα του LLM-MS.

Abstract: User-defined functions (UDFs) extend SQL with functional capabilities. However, integrating UDFs efficiently into a data engine is a challenge, mainly due to the mismatch of the UDF execution and SQL processing environments. Several techniques have been proposed to deal with this challenge spanning a variety of logical and physical optimizations, and architecture designs. These however are not evident to the casual user, who would benefit from knowing the pros and cons of the available solutions. Towards this direction, we present UDFBench, a benchmarking toolkit for running seamlessly UDF queries (queries with UDFs) on a variety of SQL engines and presenting to the user execution results accompanied with highlights of the main reasons driving the query performance. UDFBench comprises a set of queries and UDFs of varying complexity based on a real-world application and data. Our current implementation has been deployed on four popular database engines with different characteristics. Our pluggable design enables extending UDFBench to additional systems and workloads. (Demo Accepted at SIGMOD 2025)

Περίληψη: Οι συναρτήσεις ορισμένες από τον χρήστη (User-defined functions – UDFs) επεκτείνουν τη γλώσσα SQL με λειτουργικές δυνατότητες. Ωστόσο, η αποδοτική ενσωμάτωση των UDFs σε μια μηχανή δεδομένων αποτελεί πρόκληση, κυρίως λόγω της αναντιστοιχίας μεταξύ του περιβάλλοντος εκτέλεσης των UDFs και του περιβάλλοντος επεξεργασίας της SQL. Έχουν προταθεί διάφορες τεχνικές για την αντιμετώπιση αυτής της πρόκλησης, που καλύπτουν ένα ευρύ φάσμα λογικών και φυσικών βελτιστοποιήσεων και σχεδιασμών αρχιτεκτονικής. Ωστόσο, αυτές δεν είναι προφανείς στον απλό χρήστη, ο οποίος θα επωφελείτο από την κατανόηση των πλεονεκτημάτων και των μειονεκτημάτων των διαθέσιμων λύσεων. Προς αυτήν την κατεύθυνση, παρουσιάζουμε το UDFBench, ένα εργαλείο αξιολόγησης επιδόσεων (benchmarking toolkit) για την απρόσκοπτη εκτέλεση ερωτημάτων με UDFs σε διάφορες βάσεις δεδομένων και την παρουσίαση των αποτελεσμάτων στον χρήστη, συνοδευόμενα από επισημάνσεις των βασικών παραγόντων που επηρεάζουν την απόδοση του ερωτήματος. Το UDFBench περιλαμβάνει ένα σύνολο ερωτημάτων και UDFs μεταβαλλόμενης πολυπλοκότητας, βασισμένων σε πραγματική εφαρμογή και δεδομένα. Η τρέχουσα υλοποίηση έχει αναπτυχθεί σε τέσσερις δημοφιλείς βάσεις δεδομένων με διαφορετικά χαρακτηριστικά. Ο σχεδιασμός μας επιτρέπει την εύκολη επέκταση του UDFBench σε επιπλέον συστήματα και ερωτήματα.

Abstract: Effective data discovery is a cornerstone of modern data-driven decision-making. Yet, identifying datasets with specific distributional characteristics—such as percentiles or preference-based scores—remains challenging. While recent proposals allow queries using percentile predicates, much of the work in data discovery remains heuristic and prone to bias. This paper introduces the first theoretically grounded framework that unifies data discovery in both centralized and federated settings. Formally, let $\sets = {\points_1,\ldots, \points_\setsize}$ be a collection of $\setsize$ datasets, each $\points_i \subset \Re^d$, where $d$ is constant. We study two problems: percentile-aware indexing (\problemDI) and top-$k$-aware indexing (\problemDIk). In the centralized setting, full access to $\points_i$ is assumed. In the federated setting, we only observe a synopsis $\Synop_{\points_i}$—a compressed sketch that preserves key geometric and statistical features. In \problemDI, the task is to construct a data structure that, given a query rectangle $\rect$ and interval $\interval$, returns all indices $j$ such that $\frac{|\points_j \cap \rect|}{|\points_j|} \in \interval$. In \problemDIk, the task is to return all $j$ such that the $k$-th highest inner product of $\points_j$ along a query vector $\vector$ lies in $\interval$. We first prove conditional lower bounds showing that near-linear data structures with polylogarithmic query time are unlikely for exact solutions in the centralized case. We then propose approximate solutions for both \problemDI and \problemDIk, in both settings. Our methods use $\O(\setsize)$ space and preprocessing, and answer queries in $\O(1 + \outt)$ time, where $\outt$ is the output size. The returned set $J$ satisfies: (i) any dataset matching the predicate is in $J$, and (ii) any $j \in J$ satisfies the predicate up to additive error $\eps + 2\delta$, where $\eps$ is an arbitrarily small constant and $\delta$ is the error from the synopsis.

Περίληψη: Η αποτελεσματική αναζήτηση δεδομένων αποτελεί θεμέλιο της σύγχρονης λήψης αποφάσεων βάσει δεδομένων. Ωστόσο, ο εντοπισμός συνόλων δεδομένων με συγκεκριμένα χαρακτηριστικά κατανομής, όπως ποσοστιαίες τιμές ή προτιμήσεις, παραμένει δύσκολος. Παρόλο που πρόσφατες προσεγγίσεις επιτρέπουν στους χρήστες να κάνουν αναζητήσεις βάσει ποσοστιαίων προτάσεων, μεγάλο μέρος της έρευνας στην ανακάλυψη δεδομένων βασίζεται σε ευριστικές μεθόδους, οι οποίες συχνά οδηγούν σε μεροληπτικά αποτελέσματα. Η παρούσα εργασία παρουσιάζει το πρώτο θεωρητικά τεκμηριωμένο πλαίσιο που ενοποιεί την εύρεση δεδομένων τόσο σε κεντρικά όσο και σε αποκεντρωμένα περιβάλλοντα. Πιο συγκεκριμένα, έστω $\mathcal{P}={P_1,\ldots, P_N}$ ένα αποθετήριο με $N$ σύνολα δεδομένων, όπου κάθε $P_i\subset \mathbb{R}^d$, με $d$ σταθερά. Μελετούμε το πρόβλημα δημιουργίας δομής δεδομένων με επίγνωση ποσοστών (Ptile) και το πρόβλημα δημιουργίας δομής δεδομένων με επίγνωση top-$k$ (Pref), τόσο στο κεντρικό όσο και στο αποκεντρωμένο περιβάλλον. Στο κεντρικό περιβάλλον υποθέτουμε άμεση πρόσβαση στα σύνολα δεδομένων του $\mathcal{P}$. Στο αποκεντρωμένο περιβάλλον, για κάθε $i \in [Ν]$, διαθέτουμε μία περίληψη $\mathcal{S}_{P_i}$ που αποτελεί συμπιεσμένη αναπαράσταση του $P_i$ και αποτυπώνει τη δομή του. Για το πρόβλημα Ptile, ο στόχος είναι η κατασκευή μιας δομής δεδομένων που, δοθέντος ενός ερωτήματος (ορθογώνιο $R$ και διάστημα $\theta$), επιστρέφει όλα τα ευρετήρια $J$ τέτοια ώστε $j\in J$ αν και μόνο αν $\frac{|P_j\cap R|}{|P_j|} \in \theta$. Για το πρόβλημα Pref, ο στόχος είναι η κατασκευή μιας δομής δεδομένων που, δοθέντος ενός ερωτήματος (διάνυσμα $v$ και διάστημα $\theta$), επιστρέφει όλα τα ευρετήρια $J$ τέτοια ώστε $j\in J$ αν και μόνο αν $s_k(P_j,v)\in \theta$, όπου $s_k(P_j,v)$ είναι το εσωτερικό γινόμενο της $k$-οστής μεγαλύτερης προβολής του $P_j$ πάνω στο $v$. Αρχικά παρουσιάζουμε κατώτερα όρια για τα προβλήματα Ptile και Pref στο κεντρικό περιβάλλον, δείχνοντας ότι δεν μπορούμε να ελπίζουμε σε σχεδόν γραμμικές δομές δεδομένων με πολυλογαριθμικό χρόνο απάντησης. Έπειτα επικεντρωνόμαστε σε προσεγγιστικές δομές δεδομένων και για τα δύο προβλήματα και στα δύο περιβάλλοντα. Παρουσιάζουμε δομές δεδομένων χωρητικότητας $\tilde{O}(N)$ και χρόνου προεπεξεργασίας $\tilde{O}(N)$, που απαντούν σε ερωτήματα Ptile και Pref σε χρόνο $\tilde{O}(1+OUT)$, όπου $OUT$ είναι το μέγεθος της εξόδου. Οι δομές επιστρέφουν σύνολο ευρετηρίων $J$ τέτοιο ώστε: i) για κάθε $P_i$ που ικανοποιεί το ερώτημα, $i\in J$, και ii) αν $j\in J$, τότε το $P_j$ ικανοποιεί το ερώτημα με πρόσθετο σφάλμα το πολύ $\varepsilon+2\delta$, όπου $\varepsilon$ είναι αυθαίρετα μικρή σταθερά και $\delta$ είναι το σφάλμα της περίληψης.

Abstract: Critical maritime events have significant social, environmental and economic consequences. This paper presents a suite of applications that utilize big data streams to early forecast and automate mitigation procedures of critical maritime events effectively. Key innovations include an automated collision avoidance system using real-time AIS data and a hazardous weather rerouting solution that integrates fleet intelligence based on historical vessel mobility patterns with weather forecasts. These novel solutions aim to enhance the efficiency of vessel traffic monitoring systems, support autonomous vessel integration in the global fleet, and minimize global supply chain disruptions caused by maritime incidents.

Περίληψη: Οι κρίσιμες καταστάσεις στον χώρο της ναυτιλίας επιφέρουν σοβαρές κοινωνικές, περιβαλλοντικές και οικονομικές επιπτώσεις. Η παρούσα εργασία παρουσιάζει ένα σύνολο εφαρμογών που αξιοποιούν ροές μεγάλων δεδομένων για την έγκαιρη πρόγνωση και την αυτοματοποίηση διαδικασιών αποφυγής και μετριασμού τέτοιων συμβάντων με υψηλή αποτελεσματικότητα. Οι βασικές καινοτομίες περιλαμβάνουν ένα αυτοματοποιημένο σύστημα αποφυγής συγκρούσεων μεταξύ πλοίων, βασισμένο σε δεδομένα AIS σε πραγματικό χρόνο, καθώς και μία λύση επαναδρομολόγησης πλοίων σε περιπτώσεις επικίνδυνων καιρικών συνθηκών, η οποία ενσωματώνει πρότυπα κινητικότητας πλοίων από ιστορικά δεδομένα και μετεωρολογικές προγνώσεις. Οι καινοτόμες αυτές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας των συστημάτων παρακολούθησης θαλάσσιας κυκλοφορίας, στην υποστήριξη της ενσωμάτωσης αυτόνομων πλοίων στον παγκόσμιο στόλο και στη μείωση των διαταραχών στην παγκόσμια εφοδιαστική αλυσίδα που προκαλούνται από ναυτιλιακά συμβάντα.

Abstract: We propose a distributed fabric over a set of autonomous databases over an edge network that enables decentralized querying, addressing privacy concerns and enhancing performance. Employing SQLite instances per edge device, Docker, Kafka, and the Spring Framework, the system demonstrates efficient synchronization and scalability in querying.

Περίληψη: Προτείνουμε μια κατανεμημένη υποδομή πάνω από ένα σύνολο αυτόνομων βάσεων δεδομένων σε ένα δίκτυο στα άκρα, η οποία επιτρέπει αποκεντρωμένα ερωτήματα, με την αντιμετώπιση ζητημάτων απορρήτου και την βελτίωση της απόδοσης. Με χρήση ξεχωριστών SQLite βάσεων δεδομένων σε κάθε συσκευή στα άκρα, Docker, Kafka και το Spring Framework, το σύστημα επιδεικνύει αποδοτικό συγχρονισμό και επεκτασιμότητα στην εκτέλεση ερωτημάτων.

Abstract: This work presents PROVATO (PRecisiOn liVestock monitoring with AI and IoT tOols), an edge AI and IoT-powered architecture and platform for real-time livestock monitoring. The system enables farmers to track animal health and behaviour, ensuring scalable data processing and AI inference at both the edge and the cloud. This approach supports decision-making, reduces resource waste, and improves animal welfare.

Περίληψη: Η παρούσα εργασία παρουσιάζει το PROVATO (PRecisiOn liVestock monitoring with AI and IoT tOols), μια πλατφόρμα παρακολούθησης ζώων εκτροφής σε πραγματικό χρόνο, βασισμένη σε τεχνολογίες edge-AI και IoT. Το σύστημα συλλέγει και επεξεργάζεται δεδομένα από φορητούς αισθητήρες, περιβαλλοντικές πηγές και εφαρμογές, παρέχοντας στους κτηνοτρόφους χρήσιμες πληροφορίες και ειδοποιήσεις για την υγεία και τη συμπεριφορά των ζώων. Με επεκτάσιμη επεξεργασία και ανάλυση δεδομένων τόσο στο άκρο του δικτύου (edge) όσο και στο υπολογιστικό νέφος (cloud), το PROVATO ενισχύει τη διαδικασία λήψης αποφάσεων, μειώνει τη σπατάλη πόρων και βελτιώνει την ευζωία των εκτρεφόμενων ζώων. Αναπτυγμένο στην Αρκαδία, μια περιοχή όπου ο αγροδιατροφικός τομέας και οι τεχνολογίες πληροφορικής αποτελούν στρατηγικές προτεραιότητες, το PROVATO προάγει την περιφερειακή καινοτομία, υποστηρίζει την ηθική κτηνοτροφία και προσφέρει πρακτικά οφέλη στους παραγωγούς, όπως αυξημένη παραγωγικότητα και εισόδημα μέσω της υποβοηθούμενης από την τεχνητή νοημοσύνη λήψης αποφάσεων.

Abstract: LIMECEP combines in a novel way the three main evaluation approaches: slack-based buffering (pessimistic), speculative processing (optimistic), and lazy evaluation, while also computing only maximal matches in the presence of Kleene+ events. The proposed framework provides robust and effective processing of real-world input streams that may contain unordered and duplicated events. Furthermore, our engine avoids traditional NFA-based representations altogether and employs an index-based internal model suitable for resource-constrained environment. It minimizes redundant computation through selective re-processing and on-the-fly statistics to further guide adaptive behavior. This unified design supports high accuracy, low latency, and low resource usage, and outperforms state-of-the-art paradigms, such as FlinkCEP.

Περίληψη: "Το LIMECEP συνδυάζει με καινοτόμο τρόπο τις τρεις κύριες προσεγγίσεις αξιολόγησης: προσωρινή αποθήκευση με χρονική χαλαρότητα (απαισιόδοξη προσέγγιση), άμεση επεξεργασία με εικασίες (αισιόδοξη), και ""οκνηρή"" αξιολόγηση (lazy evaluation), υπολογίζοντας ταυτόχρονα μόνο τις μέγιστες αντιστοιχίσεις στην παρουσία επαναλαμβανόμενων γεγονότων τύπου Kleene+. Το προτεινόμενο πλαίσιο προσφέρει αξιόπιστη και αποτελεσματική επεξεργασία ροών εισόδου, οι οποίες ενδέχεται να περιλαμβάνουν γεγονότα που λαμβάνονται με αλλαγμένη χρονική σειρά ή και διπλότυπα. Επιπλέον, η μηχανή μας αποφεύγει πλήρως τις παραδοσιακές αναπαραστάσεις με πεπερασμένα αυτόματα (NFA) και χρησιμοποιεί ένα εσωτερικό μοντέλο βασισμένο σε ευρετήρια, κατάλληλο για περιβάλλοντα με περιορισμένους πόρους. Ελαχιστοποιεί τους υπολογισμούς μέσω επιλεκτικής επανεπεξεργασίας και στατιστικών μετρήσεων σε πραγματικό χρόνο που καθοδηγούν την προσαρμοστική της συμπεριφορά. Αυτός ο ενοποιημένος σχεδιασμός υποστηρίζει υψηλή ακρίβεια, χαμηλή καθυστέρηση και χαμηλή κατανάλωση πόρων, ξεπερνώντας σύγχρονες προσεγγίσεις, όπως το FlinkCEP."

Abstract: Retrieval-Augmented Generation (RAG) systems combine large language models (LLMs) with document retrieval to enhance accuracy in domain-specific applications, but they face significant challenges in transparency and interpretability. This research focuses on improving explainability through post-hoc perturbation-based methods that analyze the impact of input modifications on model outputs. Existing perturbation techniques are computationally intensive. To address this, we propose three selective perturbation strategies: (1) using a Graph-of-Words (GOW) representation, where words are treated as nodes and their co-occurrence relationships form edges, (2) hierarchical perturbation selection, which progressively narrows the scope from larger text units (e.g., paragraphs) to smaller ones (e.g., sentences or words), and (3) targeting perturbations based on part-of-speech (POS) tagging to focus on syntactic structures. Our approach reduces computational costs while maintaining explanation quality, highlighting the need for more efficient and scalable techniques to improve the interpretability of complex AI systems without compromising performance.

Περίληψη: Τα συστήματα Ανάκτησης-Ενισχυμένης Παραγωγής (RAG) συνδυάζουν μεγάλα γλωσσικά μοντέλα (LLMs) με ανάκτηση εγγράφων για την ενίσχυση της ακρίβειας σε εφαρμογές ειδικών τομέων, όμως αντιμετωπίζουν σημαντικές προκλήσεις ως προς τη διαφάνεια και την ερμηνευσιμότητα. Η παρούσα έρευνα επικεντρώνεται στη βελτίωση της εξηγησιμότητας μέσω post-hoc perturbation μεθόδων, οι οποίες αναλύουν την επίδραση των τροποποιήσεων στην εισόδου στις εξόδους του μοντέλου. Οι υπάρχουσες τεχνικές διαταραχής είναι υπολογιστικά απαιτητικές. Για την αντιμετώπιση αυτού του ζητήματος, προτείνουμε τρεις επιλεκτικές στρατηγικές διαταραχής: (1) χρήση αναπαράστασης Γράφου Λέξεων (Graph-of-Words, GOW), όπου οι λέξεις θεωρούνται κόμβοι και οι σχέσεις συνεμφάνισης σχηματίζουν ακμές, (2) ιεραρχική επιλογή διαταραχών, που περιορίζει προοδευτικά το πεδίο από μεγαλύτερες μονάδες κειμένου (π.χ. παραγράφους) σε μικρότερες (π.χ. προτάσεις ή λέξεις), και (3) στόχευση των διαταραχών βάσει σήμανσης μέρους του λόγου (part-of-speech, POS tagging) για εστίαση σε συντακτικές δομές. Η προσέγγισή μας μειώνει το υπολογιστικό κόστος διατηρώντας παράλληλα την ποιότητα των εξηγήσεων, τονίζοντας την ανάγκη για πιο αποδοτικές και επεκτάσιμες τεχνικές που βελτιώνουν την ερμηνευσιμότητα πολύπλοκων συστημάτων τεχνητής νοημοσύνης χωρίς να θυσιάζουν την απόδοση.

Abstract: Presenting Hecatoncheir, a plug-and-play C/C++ library for distributed and parallel management of big spatial data, which does not depend on underlying engines such as Spark. This way, Hecatoncheir makes best use of resources, state-of-the-art algorithms for in-memory index-based spatial query processing, and the efficient C++ Boost Geometry for geometry comparisons. We demonstrate the simplicity of installation and use of Hecatoncheir with the help of our easy-to-use API (setup takes only a couple of minutes) and its excellent performance and scalability (evaluates spatial queries orders of magnitude faster than Apache Sedona).

Περίληψη: Παρουσιάζουμε τον Εκατόγχειρα, μια βιβλιοθήκη C/C++ τύπου plug-and-play για κατανεμημένη και παράλληλη διαχείριση μεγάλου όγκου χωρικών δεδομένων, η οποία δεν εξαρτάται από υποκείμενες μηχανές όπως το Spark. Με αυτόν τον τρόπο, ο Εκατόγχειρας αξιοποιεί στο έπακρο τους διαθέσιμους πόρους, σύγχρονους αλγορίθμους για επεξεργασία χωρικών ερωτημάτων στη μνήμη με χρήση ευρετηρίων, καθώς και την αποδοτική βιβλιοθήκη Boost Geometry της C++ για γεωμετρικές συγκρίσεις. Αναδεικνύουμε την απλότητα εγκατάστασης και χρήσης του Εκατόγχειρα μέσω του φιλικού API του (η εγκατάσταση διαρκεί μόλις λίγα λεπτά) και την εξαιρετική του απόδοση και κλιμάκωση, εκτελώντας χωρικά ερωτήματα ταχύτερα κατά τάξεις μεγέθους σε σχέση με το Apache Sedona.

Abstract: Large Language Models (LLMs) have demonstrated strong performance on natural language tasks, including question answering (QA). However, in specialized domains such as medicine, these models often suffer from factual inaccuracies and lack transparency, as their responses rely heavily on pre-trained knowledge without clear grounding. To address these limitations, KG2Documents is proposed, a Retrieval-Augmented Generation (RAG) system that introduces structured and explainable reasoning by integrating domain-specific knowledge graphs (KGs). Constructed via prompting methods, the KG enables semantic path computation based on identified biomedical entities in user queries. These paths are transformed into natural language pseudo-paragraphs, optimized for model comprehension, and used to guide the retrieval of relevant unstructured biomedical text from external sources such as StatPearls. The LLM then fuses KG-derived reasoning with retrieved content to generate a coherent pseudo-document, forming the basis for the final answer. Each answer includes both evidence from external documents and explicit reasoning paths derived from the KG, enhancing factual accuracy and transparency. KG2Documents is evaluated on five MIRAGE medical QA datasets—MMLU-Med, MedQA-US, MedMCQA, PubMedQA*, and BioASQ-Y/N—using GPT-3.5 for generation. Preliminary results show improved accuracy and traceability compared to traditional RAG approaches.

Περίληψη: Τα Μεγάλα Γλωσσικά Μοντέλα (ΜεΓΜ – Large Language Models) έχουν επιδείξει υψηλές επιδόσεις σε εργασίες φυσικής γλώσσας, όπως η Ερωταποκρισιμότητα (ΕΑ – Question Answering). Ωστόσο, σε εξειδικευμένους τομείς όπως η ιατρική, τα μοντέλα αυτά συχνά παρουσιάζουν πραγματολογικές ανακρίβειες και έλλειψη διαφάνειας, καθώς οι απαντήσεις τους βασίζονται κυρίως σε προσχηματισμένη γνώση χωρίς σαφή τεκμηρίωση. Για την αντιμετώπιση αυτών των περιορισμών, προτείνεται το KG2Documents, ένα σύστημα Ανακτησιο-Ενισχυμένης Παραγωγής (ΑΕΠ – Retrieval-Augmented Generation, RAG) που εισάγει δομημένη και επεξηγήσιμη λογική μέσω της ενσωμάτωσης εξειδικευμένων Γράφων Γνώσης (ΓΓ – Knowledge Graphs). Ο ΓΓ κατασκευάζεται μεθοδολογικά μέσω prompting, επιτρέποντας τον υπολογισμό σημασιολογικών διαδρομών με βάση τις εντοπισμένες βιοϊατρικές οντότητες στα ερωτήματα των χρηστών. Οι διαδρομές αυτές μετατρέπονται σε ψευδο-παραγράφους φυσικής γλώσσας, βελτιστοποιημένες για κατανόηση από το μοντέλο, και χρησιμοποιούνται για την καθοδήγηση της ανάκτησης σχετικού αδόμητου βιοϊατρικού περιεχομένου από εξωτερικές πηγές, όπως το StatPearls. Στη συνέχεια, το ΜεΓΜ συγχωνεύει τη λογική που προέρχεται από τον ΓΓ με το ανακτηθέν περιεχόμενο, δημιουργώντας ένα συνεκτικό ψευδο-έγγραφο που χρησιμεύει ως βάση για την τελική απάντηση. Κάθε απάντηση περιλαμβάνει τόσο τεκμήρια από εξωτερικά έγγραφα όσο και ρητή λογική που προκύπτει από τον ΓΓ, ενισχύοντας έτσι την πραγματολογική ακρίβεια και τη διαφάνεια. Το KG2Documents αξιολογείται σε πέντε ιατρικά σύνολα δεδομένων του πλαισίου MIRAGE: MMLU-Med, MedQA-US, MedMCQA, PubMedQA* και BioASQ-Y/N, με τη χρήση του GPT-3.5 για την παραγωγή. Τα προκαταρκτικά αποτελέσματα δείχνουν βελτιωμένη ακρίβεια και ανιχνευσιμότητα σε σύγκριση με τις παραδοσιακές προσεγγίσεις ΑΕΠ.

Abstract: SQL engines are widely used for large-scale analytics, but they can fall short when it comes to expressing complex or custom computations. While user-defined functions (UDFs) allow SQL to be extended with external logic, making that integration efficient, especially when involving hardware like GPUs, is far from straightforward. In this work, we design a UDF pipeline that combines low-level memory control with GPU-accelerated aggregation logic. Computation is offloaded through a native extension interface, with raw input buffers passed to a GPU-based runtime for processing. Our implementation supports both grouped and ungrouped operations on columnar input. In our experiments, we observed that CPU-based approaches perform better for ungrouped queries due to lower overhead, while GPU acceleration leads to significant speedups, especially for grouped aggregations on large datasets. Along the way, we ran into several challenges, including the cost of moving data to the GPU, limited support for complex aggregations, and a lack of persistent GPU contexts across queries. These observations highlight opportunities to improve how SQL systems manage custom computation, particularly when using accelerators like GPUs.

Περίληψη: Οι μηχανές SQL χρησιμοποιούνται ευρέως για αναλύσεις σε μεγάλη κλίμακα, αλλά δυσκολεύονται όταν απαιτούνται πιο σύνθετοι ή προσαρμοσμένοι υπολογισμοί. Οι συναρτήσεις που ορίζονται από τον χρήστη (UDFs) επεκτείνουν τις δυνατότητες της SQL ενσωματώνοντας εξωτερική λογική, όμως η αποδοτική υλοποίησή τους, ειδικά με χρήση επιταχυντών όπως οι GPU, παραμένει πρόκληση. Στην εργασία αυτή, παρουσιάζουμε μια υποδομή εκτέλεσης UDF που συνδυάζει χαμηλού επιπέδου διαχείριση μνήμης με επιταχυνόμενη εκτέλεση συγκεντρωτικών πράξεων στη GPU. Η επεξεργασία μεταφέρεται σε εγγενές επίπεδο μέσω ειδικής διεπαφής, όπου τα δεδομένα περνούν σε GPU για εκτέλεση. Η υλοποίησή μας υποστηρίζει τόσο ερωτήματα με όσο και χωρίς ομαδοποίηση, σε μορφή στηλοειδών δεδομένων. Τα πειραματικά μας αποτελέσματα δείχνουν ότι οι υλοποιήσεις σε CPU αποδίδουν καλύτερα για απλά (μη ομαδοποιημένα) ερωτήματα λόγω μικρότερης επιβάρυνσης, ενώ οι GPU προσφέρουν σημαντική επιτάχυνση σε περιπτώσεις ομαδοποίησης και μεγάλου όγκου δεδομένων. Κατά την ανάπτυξη, αντιμετωπίσαμε εμπόδια όπως το κόστος μεταφοράς δεδομένων στη GPU, οι περιορισμένες δυνατότητες για πολύπλοκες συγκεντρωτικές λειτουργίες και η απουσία μηχανισμού διατήρησης GPU κατά την εκτέλεση διαδοχικών ερωτημάτων. Αυτές οι παρατηρήσεις δείχνουν σαφώς ότι υπάρχει περιθώριο για βελτίωση στον τρόπο που οι SQL μηχανές διαχειρίζονται την εκτέλεση προσαρμοσμένων υπολογισμών με χρήση επιταχυντών.

Abstract: Modern data workflows increasingly rely on User-Defined Functions (UDFs) to express logic that goes beyond built-in operations - especially in tasks involving data cleaning, transformation, or integration with machine learning models. Benchmarking the UDF support in a principled and systematic way remains a relatively unexplored field for most data management systems, including Python-based DataFrame runtimes. These systems adopt diverse execution models, ranging from eager evaluation to parallelism and lazy, query-optimized pipelines. As a result, the behavior and performance of UDFs can vary significantly depending on system characteristics, query structure, and implementation details. Understanding how UDFs behave across these frameworks is important for both users writing efficient pipelines and developers improving system performance. Our framework introduces a unified execution interface, dynamic UDF handling, and shared benchmarking logic, allowing consistent comparison of scalar, aggregate, and table UDFs across different backends, using a common set of queries and datasets. Through this work, we can observe the performance effects of UDF design choices, data scale, and system-level execution strategies. This reveals opportunities for optimization and guidance: how UDF structure influences runtime efficiency, how users might adjust implementations for better performance, and which system-level features have the most impact. This extension enables UDFBench to support a broader range of systems and contributes towards more informed decisions when building UDF-heavy pipelines.

Περίληψη: Οι σύγχρονες ροές εργασίας δεδομένων βασίζονται όλο και περισσότερο σε Συναρτήσεις Ορισμένες από τον Χρήστη (User-Defined Functions, UDFs), οι οποίες επιτρέπουν την υλοποίηση λογικής που ξεπερνά τις βασικές ενσωματωμένες λειτουργίες, ιδιαίτερα σε εργασίες όπως καθαρισμός και μετασχηματισμός δεδομένων, ή η ενσωμάτωση μοντέλων μηχανικής μάθησης. Ωστόσο, η συστηματική και μεθοδική αξιολόγηση της υποστήριξης UDF παραμένει σχετικά ανεξερεύνητη, ειδικά στην περίπτωση των DataFrame που βασίζονται στην Python. Αυτά τα συστήματα ακολουθούν διαφορετικά μοντέλα εκτέλεσης: από άμεση (eager) εκτέλεση, μέχρι παραλληλία και καθυστερημένη (lazy) εκτέλεση με βελτιστοποιημένη ροή. Ως αποτέλεσμα, η συμπεριφορά και η απόδοση των UDFs μπορεί να διαφέρει σημαντικά, ανάλογα με τα χαρακτηριστικά του συστήματος, τη δομή των ερωτημάτων και την υλοποίησή τους. Η κατανόηση των διαφορών αυτών είναι κρίσιμη, τόσο για τους χρήστες που επιδιώκουν αποδοτικές ροές εργασίας, όσο και για τους προγραμματιστές που θέλουν να βελτιώσουν την απόδοση των συστημάτων. Αναπτύξαμε μια ενιαία διεπαφή εκτέλεσης ερωτημάτων (queries), με δυναμική χρήση των UDF και κοινή λογική αξιολόγησης, επιτρέποντας σύγκριση μεταξύ διαφορετικών τύπων UDFs(scalar, aggregate και table) σε διαφορετικές υλοποιήσεις, με χρήση ίδιων ερωτημάτων και συνόλων δεδομένων. Στο πλαίσιο αυτό, μπορούμε να μελετήσουμε πώς η σχεδίαση των UDFs, το μέγεθος των δεδομένων και οι στρατηγικές εκτέλεσης σε επίπεδο συστήματος επηρεάζουν την απόδοση. Αυτό αποκαλύπτει ευκαιρίες για βελτιστοποίηση και καθοδήγηση: πώς η δομή μιας UDF επηρεάζει τον χρόνο εκτέλεσης, πώς μπορούν οι χρήστες να προσαρμόσουν τις υλοποιήσεις για καλύτερη απόδοση και ποια χαρακτηριστικά των συστημάτων έχουν τη μεγαλύτερη επίδραση. Αυτή η επέκταση του UDFBench, του επιτρέπει να υποστηρίξει περισσότερα συστήματα και βοηθά στη λήψη τεκμηριωμένων αποφάσεων κατά τη σχεδίαση ροών που περιλαμβάνουν εκτενή χρήση UDFs.

Abstract: The recent transition to in-memory databases has shifted the challenges of join performance towards CPU efficiency, cache locality and effective utilization of the processor’s parallelism capabilities. In our solution to the 2025 SIGMOD Programming contest - which ranked among the contest’s finalists - we implement a cache-optimized, hash-based join pipeline designed for high performance across a range of hardware configurations, fully utilizing available parallelism capabilities. We target a zero-copy design with minimal preprocessing of the paginated input data, introducing a staged materialization approach, where each join emits only the column needed by the next, deferring full output materialization to the root join. Our implementation leverages prior research in join-optimized hash tables to incorporate a cache-efficient, CRC-based hashing scheme that stores all its entries in a single contiguous memory block, while simultaneously allowing for effective parallelization of the build and probe phases. To efficiently utilize multithreading, our system features a task queue that dynamically schedules work across hardware threads, with tasks enabling interdependent joins being prioritized to unlock downstream computation earlier. We break down heavy operations into fine-grained, self-contained tasks - each independently processing their own data chunks - and introduce a lock-free chunk-feeder mechanism to enable dynamic work stealing, ensuring balanced workload distribution and mitigating data skew. Each task produces paginated output in dedicated per-thread buffers without requiring synchronization. Intermediate results are immediately forwarded in cache-hot chunks to downstream joins through a lock-free pipeline that permits finer-grained tasks by eliminating synchronization overhead. Through the combination of these techniques, our design outperforms the baseline solution by 630x and secures a spot among the contest’s finalists.

Περίληψη: Η πρόσφατη μετάβαση των βάσεων δεδομένων στην κύρια μνήμη έχει μετατοπίσει τις προκλήσεις της απόδοσης ζεύξεων (joins) προς τη βελτιστοποίηση της αποτελεσματικότητας στη CPU, της τοπικότητας στη κρυφή μνήμη (cache) και της αποτελεσματικής αξιοποίησης της παραλληλίας. Στη λύση μας για τον Προγραμματιστικό Διαγωνισμό SIGMOD 2025 - η οποία συγκαταλέχτηκε στους φιναλίστ - υλοποιούμε μια σωλήνωση ζεύξεων (join pipeline) βασισμένη στην κατακερματισμένη αναζήτηση, βελτιστοποιημένη για την cache και σχεδιασμένη για υψηλές επιδόσεις σε διαφορετικές αρχιτεκτονικές υπολογιστών, αξιοποιώντας πλήρως τις διαθέσιμες δυνατότητες παραλληλισμού. Στοχεύουμε σε σχεδίαση χωρίς αντιγραφή δεδομένων (zero copy) με ελάχιστη προεπεξεργασία και εισάγουμε μια τεχνική που περιορίζει την αποθήκευση ενδιάμεσων αποτελεσμάτων (materialization), παράγοντας μόνο τη στήλη που απαιτείται για την επόμενη ζεύξη και αναβάλλοντας την πλήρη υλοποίηση του τελικού αποτελέσματος μέχρι το τέλος της διαδικασίας. Η λύση μας αξιοποιεί προηγούμενη έρευνα, εφαρμόζοντας ένα αποδοτικό ως προς την cache σχήμα κατακερματισμού που τοποθετεί όλες τις εγγραφές σε συνεχόμενες θέσεις μνήμης, επιτρέποντας ταυτόχρονα την αποδοτική παραλληλοποίηση των φάσεων κατασκευής και αναζήτησης. Για την αποδοτική αξιοποίηση της πολυνημάτωσης, το σύστημά μας περιλαμβάνει μια ουρά εργασιών που χρονοπρογραμματίζει δυναμικά τις εργασίες σε όλα τα νήματα του επεξεργαστή, δίνοντας προτεραιότητα σε εξαρτώμενες ζεύξεις, ώστε να καταστεί εφικτή νωρίτερα η επεξεργασία επόμενων συνενώσεων. Διασπάμε βαριές εργασίες σε μικρότερες που επεξεργάζονται τμηματικά τα δεδομένα και εισάγουμε έναν μηχανισμό χωρίς κλειδώματα (lock free) για τη διανομή τους, επιτρέποντας δυναμικό διαμοιρασμό των εργασιών (job stealing) για εξισορρόπηση του φόρτου και αντιμετώπιση της ανομοιομορφίας των δεδομένων. Κάθε εργασία παράγει σελιδοποιημένη έξοδο σε αποκλειστικές θέσεις μνήμης ανά νήμα, χωρίς ανάγκη συγχρονισμού. Τα ενδιάμεσα αποτελέσματα προωθούνται άμεσα στις επόμενες ζεύξεις σε κομμάτια που είναι ακόμα ζεστά στη cache μέσω μιας lock-free σωλήνωσης, η οποία επιτρέπει την επεξεργασία μικρότερων εργασιών χωρίς επιβαρύνσεις συγχρονισμού. Ο συνδυασμός αυτών των τεχνικών μάς επέτρεψε να ξεπεράσουμε τη βασική λύση κατά 630 φορές και να διακριθούμε ως φιναλίστ του διαγωνισμού.

Abstract: Large Language Models (LLMs) are evolving at an unprecedented pace, with new models emerging almost daily. This has created a significant challenge for users trying to identify the most suitable model for a given task. With thousands of models available, selecting the right LLM has become increasingly complex. Retraining or fine-tuning a single model for general-purpose use is computationally expensive, making specialized models a practical necessity. However, the lack of tools to dynamically evaluate and combine these models limits their accessibility and effectiveness. In this paper, we introduce LLM Meta Search (LLM-MS), a web-based multi- model system that dynamically selects and allocates resources to LLMs based on query characteristics. To achieve this, we propose novel LLM selection algorithms that optimize token allocation, balancing response accuracy and computational cost. Our evaluation demonstrates that LLM-MS significantly reduces token usage and response time compared to traditional single- model approaches while maintaining high-quality outputs.

Περίληψη: Τα Μεγάλα Γλωσσικά Μοντέλα (ΜΓΜ) εξελίσσονται με πρωτοφανή ρυθμό, με νέα μοντέλα να εμφανίζονται σχεδόν καθημερινά. Αυτό έχει δημιουργήσει μια σημαντική πρόκληση για τους χρήστες που προσπαθούν να εντοπίσουν το καταλληλότερο μοντέλο για μια δεδομένη εργασία. Με χιλιάδες διαθέσιμα μοντέλα, η επιλογή του κατάλληλου ΜΓΜ έχει γίνει όλο και πιο πολύπλοκη. Η επανεκπαίδευση ή η λεπτομερής ρύθμιση ενός ενιαίου μοντέλου για χρήση γενικού σκοπού είναι υπολογιστικά δαπανηρή, καθιστώντας τα εξειδικευμένα μοντέλα μια πρακτική αναγκαιότητα. Ωστόσο, η έλλειψη εργαλείων για τη δυναμική αξιολόγηση και το συνδυασμό αυτών των μοντέλων περιορίζει την προσβασιμότητα και την αποτελεσματικότητά τους. Στην παρούσα εργασία, παρουσιάζουμε το LLM Meta Search (LLM-MS), ένα Διαδικτυακό σύστημα πολλαπλών μοντέλων που επιλέγει και κατανέμει δυναμικά τους πόρους σε ΜΓΜ με βάση τα χαρακτηριστικά του ερωτήματος. Για να το επιτύχουμε αυτό, προτείνουμε νέους αλγορίθμους επιλογής ΜΓΜ που βελτιστοποιούν την κατανομή των νομισματικών μονάδων, εξισορροπώντας την ακρίβεια της απάντησης και το υπολογιστικό κόστος. Η αξιολόγησή μας καταδεικνύει ότι το LLM-MS μειώνει σημαντικά τη χρήση των νομισματικών μονάδων σε σύγκριση με τις παραδοσιακές προσεγγίσεις ενιαίου μοντέλου, διατηρώντας παράλληλα αποτελέσματα υψηλής ποιότητας.

Abstract: Modern analytics rely on insights derived from the execution of inference queries over vast amounts of unstructured data such as text, images, and video. Oftentimes, these queries evaluate predicates based on an expensive "oracle" model in the likes of a deep neural network or human input that dominates the total query cost. Prior work has focused on training computationally cheap proxy models at query time that produce an approximate result. Alternatively, index-based methods apply the original oracle over a representative set of data points and generate the approximate result through an inference propagation process. Current state-of-the-art (SOTA) index-based methods require a memory-expensive index construction process which offsets their oracle cost-effectiveness and can make their usage prohibitive. In this work, we present HAIDES, an index-based, domain-agnostic framework for approximating inference on unstructured data. HAIDES consists of two main components: a coarse-to-fine framework that can be efficiently constructed using minimal memory, and a novel index adaptation component that makes use of oracle invocations during query execution in order to adaptively produce representative sets that yield high-quality approximate results. Our experimental results across three challenging domains-video, images, text-show that HAIDES (a) constructs indexes that produce performant representative sets with up to 2 orders of magnitude less memory than the SOTA baseline, while (b) requires up to 2x less oracle calls to produce the same result quality, and (c) achieves up to 10 percentage points better result quality when using the same oracle calls.

Περίληψη: H σύγχρονη ανάλυση δεδομένων βασίζεται σε αποτελέσματα που προκύπτουν από την εκτέλεση ερωτημάτων επαγωγής πάνω σε τεράστιες ποσότητες μη δομημένων δεδομένων, όπως κείμενο, εικόνες και βίντεο. Συχνά, αυτά τα ερωτήματα περιέχουν κατηγορήματα με βάση ένα «μάντη» μοντέλο υψηλού κόστους, όπως ένα βαθύ νευρωνικό δίκτυο ή ανθρώπινη παρέμβαση, που κυριαρχεί στο συνολικό κόστος του ερωτήματος. Προηγούμενες προσεγγίσεις έχουν επικεντρωθεί στην εκπαίδευση υποκατάστατων μοντέλων με χαμηλό υπολογιστικό κόστος κατά τον χρόνο εκτέλεσης του ερωτήματος, τα οποία παράγουν κατά προσέγγιση αποτελέσματα. Εναλλακτικά, οι μεθοδολογίες βασισμένες σε ευρετήρια εφαρμόζουν το αρχικό «μάντη» μοντέλο σε ένα αντιπροσωπευτικό σύνολο δεδομένων και παράγουν κατά προσέγγιση αποτελέσματα μέσω μιας διαδικασίας διάδοσης της επαγωγής. Οι σημερινές μεθοδολογίες αιχμής που βασίζονται σε ευρετήρια απαιτούν μια διαδικασία κατασκευής ευρετηρίου με υψηλή κατανάλωση κύριας μνήμης, γεγονός που εξουδετερώνει την αποδοτικότητα του μοντέλου-μάντη και μπορεί να καθιστά τη χρήση τους απαγορευτική. Σε αυτή τη μελέτη, παρουσιάζουμε το HAIDES, ένα ανεξάρτητο από τη μορφή των δεδομένων σύστημα βασισμένο σε ευρετήριο για την προσέγγιση της επαγωγής σε μη δομημένα δεδομένα. Το HAIDES αποτελείται από δύο κύρια συστατικά: ένα ιεραρχικό ευρετήριο αυξάνομενης ακρίβειας της προσέγγισης που μπορεί να κατασκευαστεί αποδοτικά με ελάχιστη μνήμη, και ένα καινοτόμο στοιχείο προσαρμογής του ευρετηρίου που αξιοποιεί τις κλήσεις στο μοντέλο-μάντη κατά την εκτέλεση του ερωτήματος, ώστε να παράγει προσαρμοστικά αντιπροσωπευτικά σύνολα που αποδίδουν υψηλής ποιότητας κατά προσέγγιση αποτελέσματα. Τα πειραματικά μας αποτελέσματα σε τρεις αντιπροσωπευτικές κατηγορίες δεδομένων—βίντεο, εικόνες, κείμενο—δείχνουν ότι το HAIDES (α) κατασκευάζει ευρετήρια που παράγουν αποδοτικά αντιπροσωπευτικά σύνολα με έως και 2 τάξεις μεγέθους λιγότερη μνήμη από τη προηγούμενη καλύτερη μέθοδο, ενώ (β) απαιτεί έως και 2 φορές λιγότερες κλήσεις στο μοντέλο-μάντη για να παραγάγει αποτελέσματα ίδιας ποιότητας, και (γ) επιτυγχάνει έως και 10 ποσοστιαίες μονάδες καλύτερη ποιότητα αποτελεσμάτων με τον ίδιο αριθμό κλήσεων στο μοντέλο-μάντη.

Abstract: Despite being a fast-paced research field, text-to-SQL systems face critical challenges. The datasets used for the training and evaluation of these systems play a vital role in determining their performance as well as the progress in the field. In this work, we introduce a methodology for text-to-SQL dataset analysis, and we perform an in-depth analysis of several text-to-SQL datasets, providing valuable insights into their capabilities and limitations and how they affect training and evaluation of text-to-SQL systems. We investigate existing evaluation methods, and propose an informative system evaluation based on error analysis. We show how our dataset analysis can help explain the behavior of a system on different datasets. Using our error analysis, we further show how we can pinpoint the sources of errors of a text-to-SQL system for a particular dataset and reveal opportunities for system improvements.

Περίληψη: Παρά το γεγονός ότι το πεδίο έρευνας της μετάφρασης φυσικής γλώσσας σε SQL (text-to-SQL) εξελίσσεται ραγδαία, τα υπάρχοντα συστήματα αντιμετωπίζουν σημαντικές προκλήσεις. Τα σύνολα δεδομένων που χρησιμοποιούνται για την εκπαίδευση και αξιολόγηση αυτών των συστημάτων παίζουν καθοριστικό ρόλο τόσο στον καθορισμό της απόδοσής τους όσο και στην πρόοδο του πεδίου. Σε αυτή την εργασία, παρουσιάζουμε μια μεθοδολογία για την ανάλυση συνόλων δεδομένων text-to-SQL και πραγματοποιούμε εις βάθος ανάλυση διαφόρων τέτοιων συνόλων, προσφέροντας πολύτιμες πληροφορίες σχετικά με τις δυνατότητες και τους περιορισμούς τους, καθώς και το πώς αυτοί επηρεάζουν την εκπαίδευση και την αξιολόγηση των text-to-SQL συστημάτων. Εξετάζουμε τις υπάρχουσες μεθόδους αξιολόγησης και προτείνουμε μια αξιολόγηση βασισμένη στην ανάλυση σφαλμάτων. Δείχνουμε πώς η ανάλυσή μας μπορεί να εξηγήσει τη συμπεριφορά ενός συστήματος σε διαφορετικά σύνολα δεδομένων. Χρησιμοποιώντας την ανάλυση αυτή, καταδεικνύουμε επίσης πώς μπορούμε να εντοπίσουμε τις πηγές των σφαλμάτων ενός συστήματος text-to-SQL για ένα συγκεκριμένο σύνολο δεδομένων και να αναδείξουμε ευκαιρίες για βελτίωση του συστήματος.

Abstract: Data practitioners often sample their datasets to produce representative subsets for their downstream tasks. When entities in a dataset can be partitioned into multiple groups, stratified sampling is commonly used to produce subsets that match a target distribution, e.g., to select a balanced dataset for training a machine learning model. However, real-world data frequently contains duplicates - multiple representations of the same real-world entity - that can bias sampling, necessitating deduplication. We define deduplicated sampling as the task of producing a clean sample from a dirty dataset according to a target distribution. The naïve approach to deduplicated sampling would first deduplicate the entire dataset upfront, then perform sampling ex post. However, that approach might be prohibitively expensive for large datasets and time/resource constraints. Deduplicated sampling on-demand with RadlER is a novel approach to produce a clean sample by focusing the cleaning effort only on entities required to appear in that sample. Our experimental evaluation, performed on multiple datasets from different domains, demonstrates that RadlER consistently outperforms the baseline approaches, providing data scientists with an efficient solution to quickly produce clean samples out of dirty data according to a target group distribution.

Περίληψη: Οι επαγγελματίες δεδομένων συχνά δειγματοληπτούν τα σύνολα δεδομένων τους για να παράγουν αντιπροσωπευτικά υποσύνολα για τις επακόλουθες διεργασίες τους. Όταν οι οντότητες σε ένα σύνολο δεδομένων μπορούν να χωριστούν σε πολλαπλές ομάδες, η στρωματοποιημένη δειγματοληψία χρησιμοποιείται συνήθως για την παραγωγή υποσυνόλων που ταιριάζουν με μια κατανομή-στόχο, π.χ., για την επιλογή ενός ισορροπημένου συνόλου δεδομένων εκπαίδευσης ενός μοντέλου μηχανικής μάθησης. Ωστόσο, τα πραγματικά σύνολα δεδομένων συχνά περιέχουν διπλότυπα - πολλαπλές αναπαραστάσεις της ίδιας οντότητας πραγματικού κόσμου - τα οποία μπορεί να επηρεάσουν τη δειγματοληψία, καθιστώντας απαραίτητη την αφαίρεση διπλότυπων δεδομένων. Ορίζουμε τη δειγματοληψία χωρίς διπλότυπα ως την διαδικασία παραγωγής ενός καθαρού δείγματος από ένα βρώμικο σύνολο δεδομένων, σύμφωνα με μια κατανομή-στόχο. Η απλοϊκή προσέγγιση στη δειγματοληψία χωρίς διπλότυπα θα αφαιρούσε πρώτα τα διπλότυπα από ολόκληρο το σύνολο δεδομένων και στη συνέχεια θα εκτελούσε δειγματοληψία. Ωστόσο, αυτή η προσέγγιση μπορεί να είναι απαγορευτικά ακριβή για μεγάλα σύνολα δεδομένων και περιορισμούς χρόνου/πόρων. Η δειγματοληψία χωρίς διπλότυπα κατ' απαίτηση με το RadlER είναι μια νέα προσέγγιση για την παραγωγή ενός καθαρού δείγματος, εστιάζοντας την προσπάθεια καθαρισμού μόνο στις οντότητες που απαιτούνται να εμφανίζονται σε αυτό το δείγμα. Η πειραματική μας αξιολόγηση, που πραγματοποιήθηκε σε πολλαπλά σύνολα δεδομένων από διαφορετικούς τομείς, καταδεικνύει ότι το RadlER ξεπερνά σταθερά τις βασικές προσεγγίσεις, παρέχοντας στους επιστήμονες δεδομένων μια αποτελεσματική λύση για την ταχεία παραγωγή καθαρών δειγμάτων από μη καθαρά δεδομένα, σύμφωνα με την κατανομή-στόχο.

Abstract: Privacy Preserving Record Linkage is the task of identifying the same real-world entities (usually humans) in databases originating from different dataholders, without revealing to any of them any other information apart from their matching records. In this paper, we focus on Privacy-Preserving Record Matching, the stage of Privacy-Preserving Record Linkage where records are checked for matching between data owners and we present FedeM: Federated Learning-based Privacy-Preserving Record Matching. FedeM is generic, relying on Federated Learning, without requiring a Linkage Unit, achieving high matching quality. Using Support Vector Machines, FedeM performs equivalently to a non-Federated Learning SVM-based setup for plain-text record matching, with only 1% decrease in Precision and 5% decrease in Recall."

Περίληψη: Η Διασύνδεση Εγγραφών με Διατήρηση της Ιδιωτικότητας είναι η διαδικασία ταυτοποίησης των ίδιων πραγματικών οντοτήτων (συνήθως ανθρώπων) σε βάσεις δεδομένων που προέρχονται από διαφορετικούς κατόχους δεδομένων, χωρίς να αποκαλύπτεται σε κανέναν εξ αυτών οποιαδήποτε πληροφορία πέραν των εγγραφών που ταιριάζουν. Σε αυτήν την εργασία, επικεντρωνόμαστε στο Ταίριασμα Εγγραφών με Διατήρηση της Ιδιωτικότητας, το στάδιο του Συσχετισμού Εγγραφών όπου εξετάζεται η αντιστοίχιση εγγραφών μεταξύ των κατόχων δεδομένων, και παρουσιάζουμε το FedeM: μια προσέγγιση Ταιριάσματος Εγγραφών με Διατήρηση της Ιδιωτικότητας μέσω Ομόσπονδης Μάθηση. Το FedeM είναι γενικής χρήσης, στηρίζεται στην Ομόσπονδη Μάθηση χωρίς να απαιτεί Μονάδα Διασύνδεσης (Linkage Unit), επιτυγχάνοντας υψηλή ποιότητα αντιστοίχισης. Χρησιμοποιώντας Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines), το FedeM επιτυγχάνει απόδοση ισοδύναμη με μια μη ομόσπονδη προσέγγιση βασισμένη σε SVM για ταίριασμα εγγραφών χωρίς διατήρηση της ιδιωτικότητας, με μόλις 1% μείωση στην Ακρίβεια (Precision) και 5% μείωση στην Ανάκληση (Recall).

Abstract: OpenData authors often supplement their datasets with attribute metadata described in CSV files. However, authors rarely adhere to common metadata publishing standards. This makes consuming such metadata more difficult, for example, when trying to use them to integrate tables from different sources. In this work, we highlight the novel problem of metadata unification. We first formulate attribute metadata unification in Open Data, and show that classic schema matching techniques meant for matching data tables perform poorly in this setting. Next, we propose a unified model for Open Data attribute metadata. Finally, we describe Gnomon, a strong baseline approach for metadata unification. We manually annotate 218 files split for development and test, and show that Gnomon is 31-32 percentage points more accurate than standard schema matching approaches. We are making available both Gnomon and the metadata unification data set as open source.

Περίληψη: Οι συγγραφείς Open Data συχνά συνοδεύουν τα σύνολα δεδομένων τους με μεταδεδομένα πεδίων, τα οποία περιγράφονται σε αρχεία CSV. Ωστόσο, σπάνια ακολουθούν καθιερωμένα πρότυπα δημοσίευσης μεταδεδομένων. Αυτό καθιστά δύσκολη την αξιοποίησή τους, ιδιαίτερα σε σενάρια ενοποίησης πινάκων δεδομένων από διαφορετικές πηγές. Στην παρούσα εργασία, εστιάζουμε σε ενα ανεξερεύνητο πρόβλημα της ενοποίησης μεταδεδομένων. Αρχικά, διατυπώνουμε το πρόβλημα της ενοποίησης μεταδεδομένων πεδίων σε ανοικτά δεδομένα και δείχνουμε ότι οι κλασικές τεχνικές αντιστοίχισης σχημάτων αποδίδουν ανεπαρκώς σε αυτό το πλαίσιο. Στη συνέχεια, προτείνουμε ένα ενοποιημένο μοντέλο για τα μεταδεδομένα πεδίων. Τέλος, παρουσιάζουμε το Gnomon, μια ισχυρή βασική προσέγγιση για την ενοποίηση μεταδεδομένων. Mέλoς της ερευνητικής ομάδας επισημείωσε 218 αρχεία, κατανεμημένα σε σύνολα ανάπτυξης και δοκιμής, και δείχνουμε ότι το Gnomon υπερτερεί των κλασικών τεχνικών κατά 31–32 ποσοστιαίες μονάδες σε ακρίβεια. Διαθέτουμε τόσο τον κώδικα του Gnomon όσο και το αντίστοιχο σύνολο δεδομένων ως ανοικτό λογισμικό.

Abstract: We address the problem of detecting data glitches in ML training sets, specifically mislabeled and anomalous samples. Detection of data glitches provides insights into the quality of the data sampling. Their repair may improve the reliability and the performance of the model. The proposed methodology is based on exploiting influence functions that estimate how much the loss of the model (or a given sample) is affected when a sample is removed from the training set. We introduce three novel signals for detecting, characterizing, and repairing data glitches in a training set based on sample influences. Influence-based signals form an explainable-by-design data glitch detection framework, producing intuitively explainable signals of the actual predictive model built. In contrast, specialized algorithms that are agnostic to the target ML model (e.g., anomaly detectors) replicate the work of fitting the data distribution and may detect glitches that are inconsistent with the decision boundary of the predictive model. Computational experiments on tabular and image data modalities demonstrate that the proposed signals outperform, in some cases up to a factor of 6, all existing influence-based signals, and generalize across different datasets and ML models. In addition, they often outperform specialized glitch detectors (e.g., mislabeled and anomaly detectors) and provide accurate label repairs for mislabeled samples.

Περίληψη: Αντιμετωπίζουμε το πρόβλημα της ανίχνευσης σφαλμάτων στα σύνολα δεδομένων εκπαίδευσης μηχανικής μάθησης (ML), και συγκεκριμένα λανθασμένα επισημασμένων και ανώμαλων δειγμάτων. Η ανίχνευση αυτών των σφαλμάτων παρέχει πληροφορίες σχετικά με την ποιότητα της δειγματοληψίας των δεδομένων και η διόρθωσή τους μπορεί να βελτιώσει την αξιοπιστία και την απόδοση των ML μοντέλων. Η προτεινόμενη μεθοδολογία βασίζεται στην αξιοποίηση των συναρτήσεων επιρροής (influence functions), οι οποίες εκτιμούν πόσο επηρεάζεται η ποιότητα του μοντέλου (ή ενός δείγματος) όταν αφαιρείται ένα δείγμα από το σύνολο εκπαίδευσης. Εισάγουμε τρία νέα σήματα για την ανίχνευση, τον χαρακτηρισμό και τη διόρθωση σφαλμάτων με βάση την επιρροή των δειγμάτων. Τα σήματα που βασίζονται στην επιρροή συνιστούν έναν εγγενώς εξηγήσιμο τρόπο ανίχνευσης σφαλμάτων, παρέχοντας σήματα που ερμηνεύονται με γνώμονα το ίδιο το μοντέλο πρόβλεψης. Αντίθετα, εξειδικευμένοι αλγόριθμοι που είναι αγνωστικιστικοί ως προς το προβλεπτικό μοντέλο (π.χ. ανιχνευτές ανωμαλιών) μαθαίνουν εκ νέου στην κατανομή των δεδομένων και ενδέχεται να ανιχνεύσουν σφάλματα τα οποία ενδεχομένως να μην επηρεάζουν την επιφάνεια απόφασης του μοντέλου πρόβλεψης. Πειράματα με δεδομένα σε μορφές πινάκων και εικόνων δείχνουν ότι τα προτεινόμενα σήματα ξεπερνούν σε επίδοση, σε ορισμένες περιπτώσεις έως και 6 φορές, όλα τα υπάρχοντα σήματα βασισμένα σε επιρροή, και είναι αποτελεσματικά σε διαφορετικά σύνολα δεδομένων και μοντέλα ML. Επιπλέον, συχνά υπερτερούν των εξειδικευμένων ανιχνευτών σφαλμάτων (π.χ. για λανθασμένες ετικέτες ή ανωμαλίες), έχοντας συνεπή επίδοση σε διαφορετικά σύνολα δεδομένων, και παρέχουν ακριβείς διορθώσεις στις ετικέτες των λανθασμένα επισημασμένων δειγμάτων.

Abstract: Companies and organizations monitor customer satisfaction by collecting feedback through Likert scale questions and free-text responses. Freely expressed opinions, not bound to fixed questions, provide a detailed source of information that organizations can use to improve their daily operations. The organization’s quality assurance review processes require a timely follow-up on these customer opinions. However, solutions often address the analytics of textual information with topic discovery and sentiment analysis for a fixed time period. These frameworks also tend to focus on serving the purpose of a specific domain and terminology. In this study, we focus on a facilitation service to track discovered topics and their sentiments over time. This service is generic and can be applied to different domains. To evaluate the capabilities of the framework, we used two datasets with opposite types of wording. The study shows that the framework is capable of discovering similar topics over time and identifying their sentiment changes.

Περίληψη: Οι εταιρείες και οι οργανισμοί αξιολογούν την ικανοποίηση των πελατών συλλέγοντας σχόλια μέσω ερωτήσεων τύπου Likert scale και ανοιχτών κειμενικών απαντήσεων. Οι ελεύθερα διατυπωμένες απόψεις, που δεν περιορίζονται από προκαθορισμένες ερωτήσεις, αποτελούν πολύτιμη πηγή πληροφοριών που οι οργανισμοί μπορούν να αξιοποιήσουν για τη βελτίωση των λειτουργιών τους. Οι διαδικασίες διασφάλισης ποιότητας απαιτούν την έγκαιρη ανάλυση και αξιοποίηση αυτών των σχολίων. Ωστόσο, οι υπάρχουσες λύσεις συχνά επικεντρώνονται στην ανάλυση κειμένου μέσω εξεύρεση θεμάτων και ανάλυση συναισθημάτων  για μια συγκεκριμένη χρονική περίοδο, ενώ παράλληλα είναι σχεδιασμένες για συγκεκριμένους κλάδους και ορολογίες. Στην παρούσα μελέτη, προτείνουμε μια υπηρεσία που επιτρέπει τη συνεχή παρακολούθηση των ανακαλυφθέντων θεμάτων και της συναισθηματικής τους διακύμανσης με την πάροδο του χρόνου. Η υπηρεσία αυτή είναι ευέλικτη και μπορεί να εφαρμοστεί σε διαφορετικά πεδία. Για την αξιολόγηση του πλαισίου, χρησιμοποιήσαμε δύο σύνολα δεδομένων με αντιδιαμετρικά αντίθετη διατύπωση. Τα αποτελέσματα δείχνουν ότι το προτεινόμενο πλαίσιο μπορεί να εντοπίζει παρόμοια θέματα διαχρονικά και να καταγράφει τις μεταβολές στο συναίσθημά τους.

Abstract: Clustering plays a crucial role in computer science, facilitating data analysis and problem-solving across numerous fields. By partitioning large datasets into meaningful groups, clustering reveals hidden structures and relationships within the data, aiding tasks such as unsupervised learning, classification, anomaly detection, and recommendation systems. Particularly in relational databases, where data is distributed across multiple tables, efficient clustering is essential yet challenging due to the computational complexity of joining tables. This paper addresses this challenge by introducing efficient algorithms for $k$-median and $k$-means clustering on relational data without the need for pre-computing the join query results. For the relational $k$-median clustering, we propose the first efficient multiplicative approximation algorithm. For the relational $k$-means clustering, our algorithm significantly improves both the approximation factor and the running time of the known relational $k$-means clustering algorithms, which suffer either from large constant approximation factors, or expensive running time. Given a join query $\Q$ over a database $\I$ of $O(N)$ tuples, for both $k$-median and $k$-means clustering, over the results of $\Q$ on $\I$, we propose randomized $(1+\eps)\gamma$-approximation algorithms that run in roughly $O(k^2N^{\fhw})+T_\gamma(k^2)$ time, where $\eps\in (0,1)$ is a constant parameter decided by the user, $\fhw$ is the fractional hyper-tree width of $\Q$, while $\gamma$ and $T_\gamma(x)$ are respectively the approximation factor and the running time of a traditional clustering algorithm in the standard computational model over $x$ items.

Περίληψη: Η ομαδοποίηση (clustering) διαδραματίζει κρίσιμο ρόλο στην επιστήμη των υπολογιστών, διευκολύνοντας την ανάλυση δεδομένων και την επίλυση προβλημάτων σε ποικίλους τομείς όπως η μη επιβλεπόμενη μάθηση, η ανίχνευση ανωμαλιών και τα συστήματα προτάσεων. Ιδιαίτερα σε σχεσιακές βάσεις δεδομένων, όπου τα δεδομένα είναι κατανεμημένα σε πολλαπλούς πίνακες, η αποδοτική ομαδοποίηση είναι απαραίτητη αλλά και δύσκολη λόγω της υπολογιστικής πολυπλοκότητας των ενώσεων πινάκων (joins). Η εργασία αυτή αντιμετωπίζει αυτή την πρόκληση, προτείνοντας αποδοτικούς αλγορίθμους για ομαδοποίηση τύπου $k$-median και $k$-means σε σχεσιακά δεδομένα, χωρίς την ανάγκη προϋπολογισμού των αποτελεσμάτων του ερωτήματος ένωσης. Για την σχεσιακή ομαδοποίηση τύπου $k$-median, προτείνουμε τον πρώτο αποδοτικό προσεγγιστικό αλγόριθμο. Για τη σχεσιακή ομαδοποίηση τύπου $k$-means, ο αλγόριθμός μας βελτιώνει σημαντικά τόσο τον παράγοντα προσέγγισης όσο και τον χρόνο εκτέλεσης σε σχέση με τους γνωστούς σχεσιακούς αλγορίθμους $k$-means, οι οποίοι παρουσιάζουν είτε μεγάλους σταθερούς παράγοντες προσέγγισης είτε υψηλό υπολογιστικό κόστος. Δεδομένου ενός ερωτήματος ένωσης $Q$ και μιας βάσης δεδομένων $I$ με $O(N)$ εγγραφές, για την ομαδοποίηση τύπου $k$-median και $k$-means, προτείνουμε τυχαίους $(1+\varepsilon)\gamma$-προσεγγιστικούς αλγορίθμους που εκτελούνται σε χρόνο $O(k^2N^{fhw}) + T_\gamma(k^2)$, όπου $\varepsilon \in (0,1)$ είναι σταθερή παράμετρος καθορισμένη από τον χρήστη, $fhw$ είναι το fractional hypertree width του $Q$, ενώ τα $\gamma$ και $T_\gamma(x)$ είναι αντίστοιχα ο παράγοντας προσέγγισης και ο χρόνος εκτέλεσης ενός αλγορίθμου ομαδοποίησης στο κλασικό υπολογιστικό πλαίσιο για $x$ σημεία.