arXiv cs.AI· Ambarish Singh, Romila Pradhan·· 10 小时前AI 评分29
Splice：面向机器学习任务的可扩展数据源选择系统
Scalable Source Selection for Machine Learning Tasks
AI 导读
Splice 是一个目标与成本感知的数据源选择系统，借鉴基因剪接思路，从数据湖发现的结果中筛选能补充现有数据源集合缺失信号的子集，以最大化下游任务效用。在两个真实基准的分类任务上，其 binary F1 比使用全部发现表提升 3-5 个百分点；在五个额外真实 ML 任务上，任务效用比全源基线提升 1.8-13.7 点。
正文 · AI 翻译
摘要：给定一个查询表，现有的数据湖发现技术试图通过模式相似性和可连接性来识别与查询表相关的数据源。然而，所发现的源并不总是对下游分析有用；有些能提升任务泛化能力，有些则可能无意中引入有害噪声或分布偏移。我们将源选择形式化为一个问题：从已发现的源中找到一个子集，使下游任务效用最大化。我们提出 Splice，一个目标感知且成本感知的源选择系统，它采用基因剪接的思想来识别那些能提供所有源并集所缺失的额外信号的源。为加速该过程，我们开发了两种代理变体 Splice-DP 和 Splice-Grad，它们分别通过元学习方法利用数据画像以及梯度对齐来估计子集对任务效用的边际贡献。在基于 SOTA 表并集搜索工具构建的两个真实基准的分类任务上，与考虑所有已发现表的情况相比，Splice 在二分类 F1 分数上提升了 3-5 个百分点。在涵盖分类和回归的五个额外真实机器学习任务上，Splice 相比全源基线将任务效用提升了 1.8-13.7 个点，而 Splice-DP 和 Splice-Grad 以少 3-7 倍的模型评估次数（大规模下最多少 77 倍）达到了同等质量。
| 评论： | 已被 EDBT 2027（法国里尔）接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；数据库（cs.DB） |
| ACM 分类： | I.2.6; H.2.8 |
| 引用为： | arXiv:2507.22186 [cs.LG] |
| （或 arXiv:2507.22186v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2507.22186 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ambarish Singh [查看邮件]
[v1]
2025年7月29日星期二 19:29:52 UTC（505 KB）
[v2]
2025年7月31日星期四 18:46:06 UTC（505 KB）
[v3]
2026年11月3日星期二 23:42:06 UTC（653 KB）
来源：arXiv cs.AI · arxiv.org