MARC

 008260126s2025        us                              c    eng  d
■001000017360309
■00520260202105504
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263326302
■035    ▼a(MiAaPQ)AAI32308000
■035    ▼a(MiAaPQ)GeorgiaTech78732
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aChunduri,  Pramod.
■24510▼aEnabling  Semantically  Richer  Queries  Over  Unstructured  Data
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a200  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Arulraj,  Joy.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aQuerying  unstructured  data  such  as  video,  audio,  and  text  is  critical  for  domains  ranging  from  traffic  surveillance  to  healthcare  and  finance.  Modern  AI  models  (e.g.,  vision  and  language  models)  unlock  significant  potential  for  extracting  fine-grained  information  from  such  data.  However,  current  data  systems  that  leverage  these  models  primarily  focus  on  efficiently  executing  semantically  simple  queries.This  thesis  argues  that  enabling  semantically  rich  queries  over  unstructured  data  requires  rethinking  both  the  query  execution  strategies  and  the  query  interfaces.  To  this  end,  we  develop  four  systems  that  can  efficiently  and  accurately  process  semantically  rich  queries  over  unstructured  data.First,  we  present  Zeus,  a  video  analytics  system  that  efficiently  localizes  complex  actions  in  videos  using  a  reinforcement  learning  (RL)-based  query  executor.  By  using  accuracy-based  rewards  during  query  planning,  Zeus  substantially  improves  efficiency  while  meeting  user-specified  accuracy  targets.Next,  we  propose  Tracer,  an  adaptive  query  processing  framework  for  multi-camera  re-identification  queries.  Tracer  uses  a  recurrent  network  with  a  probabilistic  search  model  to  optimally  select  camera  feeds  to  process  at  each  time  step.  Tracer  significantly  reduces  the  cost  of  re-identification  queries  on  synthetically  generated  and  real-world  datasets.We  then  introduce  SketchQL,  a  visual  query  interface  that  allows  users  to  sketch  complex  video  moments.  SketchQL  maps  these  sketches  to  fine-grained  video  moments  using  a  transformer  model  trained  on  synthetically  generated  data.  SketchQL  greatly  enhances  the  usability  and  accuracy  of  fine-grained  video  moment  retrieval.Finally,  we  present  Halo,  a  long-context  question  answering  (QA)  framework  designed  for  domain-augmented  queries.  Halo  incorporates  domain  knowledge  into  the  QA  pipeline  via  a  Domain  Hints  interface,  allowing  users  to  specify  structured  suggestions  that  augment  the  original  query.  A  three-stage  execution  pipeline  applies  these  hints  automatically  and  optimally,  improving  both  the  efficiency  and  accuracy  of  long-context  QA.
■590    ▼aSchool  code:  0078.
■650  4▼aAdaptation
■650  4▼aUser  feedback
■650  4▼aComputer  science
■653    ▼aQuerying  unstructured  data
■690    ▼a0984
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360309▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books