Алгебраические модели представления данных и знаний в современных системах управления базами данных
(Стр. 78-84)

В статье рассматриваются алгебраические модели представления данных и знаний в современных системах управления базами данных. Показано, что несмотря на эффективность реляционной модели в хранении больших объемов структурированной информации, ее возможности ограничены для выражения алгоритмов машинного обучения. В связи с этим предлагаются новые подходы на основе расширенных алгебраических моделей, позволяющие формализовать архитектуру и операции нейросетей в SQL. Рассмотрены методы гибридизации SQL и GPU вычислений, применения специализированных операторов, объединения этапов обработки и анализа данных. Результаты подтверждают высокую эффективность разработанных решений для интеллектуальной аналитики.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Кучумов И.В. Алгебраические модели представления данных и знаний в современных системах управления базами данных // Computational Nanotechnology. 2024. Т. 11. № 1. С. 78-84. DOI: 10.33693/2313-223X-2024-11-1-78-84. EDN: DWFJGN

Popescu D.C., Dumitrache I. Knowledge representation and reasoning using interconnected uncertain rules for describing workflows in complex systems. 2023. DOI: 10.1016/j.inffus.2023.01.007; URL: https://www.sciencedirect.com/science/article/abs/pii/S1566253523000076
Ghlonti G., Papiashvili M. Mathematical foundations of database management systems and modern development trends in the field. Georgian Electronic Scientific Journal: Computer Science and Telecommunications. 2022. No. 1 (61).
Jones I., Swan J., Giansiracusa J. Algebraic dynamical systems in machine learning. 2024. URL: https://www.researchgate.net/publication/377494593_Algebraic_Dynamical_Systems_in_Machine_Learning
Console M., Guagliardo P., Libkin L. Fragments of bag relational algebra: Expressions and certain answers. 2022. Vol. 105. URL: https://www.sciencedirect.com/science/article/abs/pii/S0306437920300855
Schüle M.E., Neumann Th., Kemper A. Training and Inference of Neural Networks in modern database engines. 2024. URL: https://arxiv.org/pdf/2312.17355.pdf
Harmer R., Oshurko E. Knowledge representation and update in hierarchies of graphs. Journal of Logical and Algebraic Methods in Programming. 2020. Vol. 114. URL: https://www.sciencedirect.com/science/article/abs/pii/S2352220820300444
Kläbe S., Hagedorn S., Sattler K.-U. Exploration of approaches for In-Database ML. 2023. URL: https://openproceedings.org/2023/conf/edbt/paper-7.pdf
Wenbo Sun., Katsifodimos A., Hai R. Accelerating machine learning queries with linear algebra query processing. 2023. No. 13. URL: https://dl.acm.org/doi/10.1145/3603719.3603726
Xiuwen Zheng, Amarnath Gupta. An algebraic approach for high-level text analytics. 2020. No. 23. DOI: 10.1145/3400903.3400926
Yue Liu, Zhengwei Yang, Xinxin Zou et al. Data quantity governance for machine learning in materials science National Science Review. 2023. Vol. 10. URL: https://academic.oup.com/nsr/article/10/7/nwad125/7147579

алгебраические модели, системы управления базами данных, машинное обучение, искусственный интеллект, реляционная модель, графические процессоры, гибридные вычисления.