快速和私密：基于任务的数据集搜索
摘要：现代数据集搜索平台采用基于机器学习任务的实用指标，而不是依靠基于元数据的关键词来搜索庞大的数据集存储库。在这种设置中，请求者提供初始数据集，平台找出补充性数据集以增强（联接或并集）请求者的数据集，从而最大程度提高机器学习模型（例如线性回归）的性能。尽管有效，当前基于任务的数据搜索受到以下限制：（1）高延迟使用户望而却步，（2）由于监管标准而引起的隐私问题，（3）提供低效用的低数据质量。我们介绍了Mileena，一个快速、隐私安全和高质量的基于任务的数据集搜索平台。Mileena的核心是基于预计算的半环草图，用于高效的机器学习训练和评估。基于半环，我们开发了一种新颖的因子化隐私机制，使搜索具备差别化的私密性，并且可以适应任意语料库大小和请求数量的扩展，同时不会严重降低质量。我们还展示了使用基于LLM的代理来进行自动数据转换，并应用半环来支持因果发现和治疗效应估计的早期潜力。
作者：Zezhou Huang, Jiaxiang Liu, Haonan Wang, and Eugene Wu
论文ID：2308.05637
分类：Databases
分类简称：cs.DB
提交时间：2023-08-22