2023 年度的 ACM SIGMOD/PODS 国际数据管理大会（SIGMOD 2023）将于当地时间 6 月 18-23 日在美国西雅图举办。近日，该会议公布了最佳论文名单，微软研究院的《Predicate Pushdown for Data Science Pipelines》和浙江大学的《Detecting Logic Bugs of Join Optimizations in DBMS》获奖。自 1975 年该会议始办以来，这是中国大陆研究团队首次获得该会议的最佳论文奖。其中浙大的研究提出了一种新颖的方法，可以自动发现 MySQL、MariaDB、TiDB 和 PolarDB 等数据库管理系统的逻辑漏洞。

SIGMOD 2023：接受的研究论文

• 基于序列的加密货币拉高出货目标硬币预测
  Sihao Hu（新加坡国立大学）*；Zhen Zhang（新加坡国立大学）；Shengliang Lu（新加坡国立大学）；Bingsheng He（新加坡国立大学）；赵莉（浙江大学）
• LadderFilter：以较小的内存和时间开销过滤不常见的项目
  Yuanpeng Li（北京大学）*；王飞宇（北京大学）；向宇（北京大学）；杨一龙（西安电子科技大学）；杨凯成（北京大学）；童洋（北京大学）；马卓（西安电子科技大学）；崔斌（北京大学）；史蒂夫·乌利格 (QMUL)
• Time2State：用于推断时间序列数据中潜在状态的无监督框架
  ChengYu Wang (NUDT)*；吴奎（维多利亚大学）；周同庆（国防科技大学）；蔡志平 (NUDT)
• 异构特征空间增量表格学习
  Hanmo Liu（香港科技大学（广州））*；狄世民（香港科技大学）；陈雷（香港科技大学）
• GitTables：关系表的大规模语料库
  Madelon Hulsebos（阿姆斯特丹大学）*；保罗·格罗斯（阿姆斯特丹大学）；Cagatay Demiralp（Sigma Computing）
• 光栅间隔：多边形相交的近似技术加入
  Thanasis Georgiadis（约阿尼纳大学）；Nikos Mamoulis（约阿尼纳大学）*
• 大数据分析中的运行时变化
  Yiwen Zhu (Microsoft)*；拉蒂吉特森（微软）；罗伯特·霍顿（微软公司）；约翰·M·阿戈斯塔（微软）
• Skyline Family
  Xiaoye Miao 高效且有效的基数估计（浙江大学）*；吴阳阳（浙江大学）；彭家珍（浙江大学）；高云军（浙江大学）；尹建伟（浙江大学）
• FlexMoE：通过动态设备放置扩展大规模稀疏预训练模型训练
  Xiaonan Nie（北京大学）*；Xupeng Miao（卡内基梅隆大学）；王子龙（微软）；杨子超（卡内基梅隆大学）；薛继龙（微软研究院）；马凌霄（微软研究院）；曹刚 (BAAI)；崔斌（北京大学）
• SQL 中高效且可移植的爱因斯坦求和
  Mark Blacher（耶拿弗里德里希席勒大学）*；Joachim Giesen（耶拿弗里德里希席勒大学）；Julien Klaus（耶拿弗里德里希席勒大学）；Christoph Staudt（耶拿弗里德里希席勒大学）；Sören Laue（凯泽斯劳滕工业大学）；Viktor Leis（慕尼黑工业大学）
• 用于光伏数据插补的数据增强的时空去噪图自动编码器
  Yangxin Fan（凯斯西储大学）*；Xuanji Yu（凯斯西储大学）；Raymond Wieser（凯斯西储大学）；David Meakin（SunPower 公司）；Avishai Shaton (SolarEdge Technologies)；Jean-Nicolas Jaubert (CSI Solar Co.Ltd.)；Robert Flottemesch（美国布鲁克菲尔德可再生能源公司）；Michael Howell（C2 Energy Capital）；Jennifer Braid（桑迪亚国家实验室）；Laura Bruckman（凯斯西储大学）；Roger H French（凯斯西储大学）；吴英辉（凯斯西储大学）
• FEC: Efficient Deep Recommendation Model Training with Flexible Embedding Communication
  马凯豪（香港中文大学）；肖艳（南方科技大学）*；蔡振坤（香港中文大学）；黄玉珍（Meta）；Yidi Wu (Meta Platforms, Inc)；郑俊杰（香港中文大学）
• SSIN：降雨空间插值的自监督学习
  Jia Li（香港科技大学）*；沉艳艳（上海交通大学）；陈雷（香港科技大学）；Charles Wang Wai Ng（香港科技大学）
• 用于神经语言模型记忆评估的大规模近重复序列搜索
  Zhencan Peng（罗格斯大学）；Zhizhi Wang（罗格斯大学）；邓东（罗格斯大学 - 新不伦瑞克）*
• AWARE：工作负载感知、冗余利用线性代数
  Sebastian Baunsgaard（格拉茨科技大学）*；Matthias Boehm（柏林工业大学）
• Unsupervised Hashing with Semantic Concept Mining
  Rong-Cheng Tu（北京理工大学）*；毛贤玲（北京理工大学）；林庆红（深圳大学）；蔡成飞（浙江大学）；秦维泽（中国科学院计算技术研究所）；魏伟（华中科技大学）；王宏发（中国科学院）；黄荷艳（北京理工大学）
• CompressGraph：基于规则压缩的高效并行图分析
  Zheng Chen（中国人民大学）；张锋（中国人民大学）*；关家伟（中国人民大学）；翟继东（清华大学）；Xipeng Shen（北卡罗来纳州立大学）；张焕辰（清华大学）；舒文通（中国人民大学）；杜小勇（中国人民大学）
• 一种基于频繁项的稀疏数据聚类新方法
  Qiang Huang（新加坡国立大学）*；Pingyi Luo（新加坡国立大学）；Anthony Tung (新加坡国立大学)
• 虚拟内存辅助缓冲区管理
  Viktor Leis（慕尼黑工业大学）*；Adnan Alhomssi (Friedrich-Alexander-Universität Erlangen-Nürnberg)；Tobias Ziegler（达姆施塔特工业大学）；Yannick Loeck（汉堡技术大学）；Christian Dietrich（汉堡科技大学）
• iFlipper：个人公平的标签翻转
  Hantian Zhang（佐治亚理工学院）；KIHYUN TAE（韩国科学技术院）；Jaeyoung Park（韩国科学技术院）；许褚（GATECH）；Steven E Whang (KAIST)*
• SANTOS：基于关系的语义表联合搜索
  Aamod Khatiwada（东北大学）*；Grace Fan（东北大学）；Roee Shraga（东北大学）；陈子轩（东北大学）；Wolfgang Gatterbauer（东北大学）；Renée J. Miller（东北大学）；Mirek Riedewald（东北大学）
• 空间关键字查询的有效性观点和深度相关模型
  Shang Liu（南洋理工大学）*；高聪（南洋理工大学）；冯开宇（北京理工大学）；万里谷（美团）；张福政（美团点评）
• Circinus：快速冗余减少子图匹配
  Tatiana Jin（香港中文大学）；李博洋（香港中文大学）；李一超（香港中文大学）；周启辉（香港中文大学）；马千里（香港中文大学）；赵云健（香港中文大学）；陈宏志（香港中文大学）；郑健（香港中文大学）*
• Composite Object Normal Forms
  Zhuoxing Zhang (西南大学); 陈武（西南大学计算机与信息科学学院）；Sebastian Link（奥克兰大学）*
• EAR-Oracle：关于地形表面任意点间距离查询的高效索引
  黄博（南方科技大学）；Victor Junqiu Wei（香港理工大学）*；Raymond Chi-Wing Wong（香港科技大学）；唐博（南方科技大学）
• 通过回溯减少在流图上进行快速连续子图匹配
  Rongjian Yang（复旦大学）；张志杰（复旦大学）；郑卫国（复旦大学）*；Jeffrey Xu Yu（香港中文大学）
• 成对有效抗性的有效估计
  Renchi Yang（香港浸会大学）*；唐晶（香港科技大学）
• 
  通过时间感知版本存储Aunn Raza (EPFL)*对内存中 OLTP 进行一次性垃圾收集；Periklis Chrysogelos (EPFL)；Angelos Christos Anadiotis（甲骨文）；阿纳斯塔西娅·艾拉马基 (EPFL)
• AutoOD：自动异常值检测
  Lei Cao (MIT)*；Yizhou Yan（伍斯特理工学院）；王宇（中国科学技术大学）；塞缪尔·马登（麻省理工学院）；埃尔克·伦登施泰纳 (WPI)
• 具有用户级差异隐私的时空数据发布的神经方法
  Ritesh Ahuja（南加州大学）；Sepanta Zeighami（南加州大学）；Gabriel Ghinita（哈马德本哈利法大学）*；Cyrus Shahabi（计算机科学系。南加州大学）
• 最受期待的赢家：对不确定选民偏好的赢家的解读
  平皓月（纽约大学）*；朱莉娅·斯托亚诺维奇（纽约大学）
• 高效列式存储的分组时间序列
  Chenguang Fang（清华大学）；宋少旭（清华大学）*；关浩全（清华大学）；黄向东（清华大学）；Chen Wang（“中国清华大学”）；王建民（“中国清华大学”）
• 如何优化我的区块链？一种多级推荐方法
  Jeeta Ann Chacko（慕尼黑工业大学）*；Ruben Mayer（慕尼黑工业大学）；Hans-Arno Jacobsen（多伦多大学）
• 具有增量索引更新方案的进化图上的个性化 PageRank
  Guanhao Hou（香港中文大学）；郭钦天（香港中文大学）；张方圆（香港中文大学）；王思博（香港中文大学）*；魏哲伟（中国人民大学）
• 事务调度：从冲突到运行时冲突
  Yang Cao（爱丁堡大学）*；范文飞（爱丁堡大学）；欧伟杰（深圳计算科学研究所）；谢睿（深圳计算科学研究所）；赵文悦（爱丁堡大学）
• ClipSim：一种 GPU 友好的单源 SimRank 并行框架，具有准确性保证
  Tianhao Wu（清华大学）；季成（香港科技大学）；张超瑞（华为）*；侯建峰（香港理论实验室，华为技术投资有限公司）；陈庚建（武汉大学）；Zhongyi Huang（清华大学）；张维希（华为）；魏寒（华为）；白波（理论实验室，2012实验室，华为技术有限公司）
• 通过基于学习的渐进基数估计加速端到端查询执行
  Fang Wang（香港理工大学）*；肖燕（南方科技大学）；Man Lung Yiu（香港理工大学）；李帅（香港理工大学）；毛遵尧（南方科技大学）；唐博（南方科技大学）
• 分布式 GPU 加入支持快速 RDMA 的网络
  Lasse Thostrup (TU Darmstadt)*；Gloria Doci（雪花）；Nils Boeschen（达姆施塔特工业大学）；Manisha Luthra（达姆施塔特工业大学）；Carsten Binnig（达姆施塔特工业大学）
• dbET：基于执行时间分布的计划选择
  Yifan Li（约克大学）*；Xiaohui Yu（约克大学）；Nick Koudas（多伦多大学）；舒琳（华为）；陈冲（华为）；Calvin Sun (华为)
• 
  Renzhi Wu（佐治亚理工学院）*；弱监督实体匹配的地面真值推理；Alexander E Bendeck（佐治亚理工学院）；许褚（GATECH）；何叶叶（微软研究院）
• 检测、提取和更新：学习数据库系统面临分布数据
  Meghdad Kurmanji（华威大学）*；Peter Triantafillou（华威大学）
• I/O 高效大规模蝴蝶计数
  Zhibin Wang (NJU)*；赖龙斌（阿里巴巴集团）；刘以雪（南京大学）；冰水（南京大学）；陈田（南京大学）；盛忠（南京大学）
• LiteHST：一种基于树嵌入的相似性搜索方法
  Yuxiang Zeng（香港科技大学）*；童永新（北京航空航天大学）；陈雷（香港科技大学）
• 优化灵活存储上的张量程序
  Maximilian Schleich (RelationalAI)*；Amir Shaikhha（爱丁堡大学）；Dan Suciu（华盛顿大学）
• LinCQA：Faster Consistent Query Answering with Linear Time Guarantees
  Zhiwei Fan（威斯康星大学麦迪逊分校）；Paraschos Koutris（威斯康星大学麦迪逊分校）；欧阳夏婷（威斯康星大学麦迪逊分校）*；Jef Wijsen（蒙斯大学）
• 大规模概率推理：救援
  Efthymia Tsamoura 的触发图（三星人工智能研究）；Jaehun Lee（三星）；Jacopo Urbani（阿姆斯特丹自由大学）*
• 外键为更快的增量视图维护打开了大门
  Christoforos Svingos（雅典国立和 Kapodistrian 大学）*；Andre Hernich（亚马逊网络服务）；Hinnerk Gildhoff（亚马逊）；Yannis Papakonstantinou（Databricks 和加州大学圣地亚哥分校）；Yannis Ioannidis（雅典大学）
• FactorJoin：用于连接查询的新基数估计框架
  Ziniu Wu（麻省理工学院）*；Parimarjan Negi（麻省理工学院）；Mohammad Alizadeh（麻省理工学院 CSAIL）；蒂姆·克拉斯卡（麻省理工学院）；塞缪尔·马登 (麻省理工学院)
• FlexER：多意图的灵活实体解析
  Bar Genossar（Technion——以色列理工学院）*；Avigdor Gal（以色列理工学院）；Roee Shraga（东北大学）
• 
  MRV：通过随机拆分Nuno F Faria（INESCTEC 和 U. Minho）在热点的并行更新中强制执行数值不变量*；何塞·佩雷拉 (U. Minho & INESCTEC)
• Polaris：在乐观并发控制中启用事务优先级
  Chenhao Ye（威斯康星大学麦迪逊分校）；Wuh-Chwen Hwang（威斯康星大学麦迪逊分校）；Keren Chen（威斯康星大学麦迪逊分校）；Xiangyao Yu（威斯康星大学麦迪逊分校）*
• 一种基于距离的结构图聚类的高效算法
  刘凯新（清华大学）；王思博（香港中文大学）*；张勇（“中国清华大学”）；邢春晓（清华大学）
• SplinterDB 和 Maplets：改进键值存储压缩策略中的权衡
  Alexander Conway（VMware Research）*；Martin Farach-Colton（罗格斯大学）；Rob Johnson（VMware 研究）
• IcebergHT：通过稳定性和低关联性实现高性能 PMEM 哈希表
  Prashant Pandey（犹他大学）*；Michael A Bender（石溪分校）；Alexander Conway（VMware 研究）；Martin Farach-Colton（罗格斯大学）；William H Kuszmaul（麻省理工学院）；Guido Tagliavini（罗格斯大学）；Rob Johnson（VMware 研究）
• Shapley 值近似的高效采样方法
  Jiayao Zhang（浙江大学）；孙启恒（浙江大学）；刘金飞（浙江大学）*；李雄（埃默里大学）；佩剑（西蒙弗雷泽大学）；任奎（浙江大学）
• 二部图上的最大 k-二重搜索：一种对称 BK 分支方法
  Kaiqiang Yu（南洋理工大学）*；程龙（南洋理工大学）
• TED：Towards Discovering Top-𝑘 edge-Diversified Patterns in a Graph Database
  黄凯（科大）*；胡海波（香港理工大学）；叶青青（香港理工大学）；开天（腾讯）；郑博龙（华中科技大学）；周晓芳（香港科技大学）
• Caerus：一个基于缓存的可扩展时间图神经网络框架
  Yiming Li（香港科技大学）*；沉艳艳（上海交通大学）；陈雷（香港科技大学）；袁明轩（华为）
• SafeBound：生成基数界限的实用系统
  Kyle B Deeds（华盛顿大学）*；玛格达莱娜·巴拉津斯卡 (UW)；Dan Suciu（华盛顿大学）
• 多维数据库中的高效近似最近邻搜索
  彭云（广州大学）*；Byron Choi（香港浸会大学）；Tsz Nam (Edison) Chan (香港浸会大学)；杨建业（广州大学）；徐建良（香港浸会大学）
• 检测 DBMS 连接优化的逻辑错误
  Xiu Tang（浙江大学）；吴赛（浙江大学）*；张东翔（浙江大学）；李飞飞（阿里巴巴集团）；陈钢（浙江大学）
• TowerSensing：灵活地线性压缩草图
  Zirui Liu（北京大学）*；张一新（北京大学）；朱一帆（北京大学）；张汝文（北京大学）；童洋（北京大学）；谢坤（湖南大学）；王沙（国防科技大学）；李涛（国防科技大学）；崔斌（北京大学）
• 知识图的通用问答平台
  Reham Omar（康考迪亚大学）*；Ishika Dhall（康考迪亚大学）；Panos Kalnis（阿卜杜拉国王科技大学）；Essam Mansour（康考迪亚大学）
• Fast Density-Based Clustering: Geometric Approach
  Xiaogang Huang (西南财经大学); 马铁峰（西南财经大学）*
• MorphStream：多核上可扩展事务流处理的自适应调度
  Yancan Mao（新加坡国立大学）；赵建军（华中科技大学）；刘海坤（华中科技大学）；张书豪（新加坡科技设计大学）*；Volker Markl（柏林工业大学）
• 一种用于安全分布式基数估计的有效差分私有协议
  Pinghui Wang（西安交通大学）*；Chengjin Yang（西安交通大学）；谢冬冬（西安交通大学）；赵君洲（西安交通大学）；李慧（西安电子科技大学）；陶静（西安交通大学）；关晓红（西安交通大学）
• Towards Generating Hop-constrained st Simple Path Graphs
  Yuzheng Cai（复旦大学）；刘思远（复旦大学）；郑卫国（复旦大学）*；林学敏（新南威尔士大学）
• GeoGauss：用于地理复制 SQL 数据库的强一致性无协调器 OLTP
  Zhou Weixing Zhou（东北大学）；彭奇（东北大学）；张子杰（华为）；张艳峰（东北大学）*；杨仁（华为）；Sihao Li（华为技术有限公司）；郭富（东北大学）；崔玉龙（东北大学）；Qiang Li (华为技术有限公司); 吴彩仪 (东北大学); 韩尚军（东北大学）；王胜义（东北大学）；李国良（清华大学）；葛宇（东北大学）
• The RLR-Tree: A Reinforcement Learning Based R-Tree for Spatial Data
  Tu Gu（南洋理工大学）*；冯开宇（北京理工大学）；高聪（南洋理工大学）；程龙（南洋理工大学）；王正（南洋理工大学）；王盛（阿里巴巴集团）
• 稳健且可迁移的基于日志的异常检测
  Peng Jia（西安交通大学）*；Yiyuan Xiong (新加坡国立大学)；蔡少峰（新加坡国立大学）；Beng Chin Ooi（新加坡国立大学）；王平辉（西安交通大学）
• 来自时间数据的匹配角色
  Leon Bornemann（Hasso Plattner Institute）*；Tobias Bleifuß（哈索普拉特纳研究所）；Dmitri V. Kalashnikov（AT&T 实验室研究）；Fatemeh Nargesian（罗切斯特大学）；Felix Naumann（波茨坦大学 Hasso Plattner 研究所）；Divesh Srivastava（AT&T 首席数据办公室）
• 通过并行缓存实现外包数据库的高效同态加密
  Olamide Timothy Tawose（内华达大学里诺分校）；Jun Dai（加州州立大学萨克拉门托分校）；杨磊（内华达大学里诺分校）；赵东方（内华达大学雷诺分校）*
• 有效的电阻距离计算：基于地标的方法的力量
  Meihao Liao（北京理工大学）；李荣华（北京理工大学）*；戴强强（北京理工大学）；陈红阳（浙江实验室）；秦洪超（北京理工大学）；王国仁（北京理工大学）
• 扩大 k-Clique 最密集子图检测
  Yizhang He（新南威尔士大学）；王凯（上海交通大学）*；张文杰（新南威尔士大学）；林学敏（新南威尔士大学）；张颖（悉尼科技大学）
• 使用主观和客观标准发现 Top-k 规则
  Wenfei Fan（爱丁堡大学）；韩紫妍（北京航空航天大学）；王耀树（深圳大学深圳计算科学研究所）*；谢敏（深圳计算科学研究所）
• FINEX：精确和灵活的基于密度的聚类的快速索引
  Konstantin Emil Thiel（萨尔茨堡大学）*；Daniel Kocher（萨尔茨堡大学）；Nikolaus Augsten（萨尔茨堡大学）；Thomas Hütter（萨尔茨堡大学）；威利·曼 (Celonis SE)；丹尼尔施密特（萨尔茨堡大学）
• DBPA：事务数据库性能异常的基准
  Shiyue Huang（北京大学）*；王紫薇（北京大学）；张欣怡（北京大学）；涂耀峰（中兴通讯）；李忠良（中兴通讯）；崔斌（北京大学）
• 使用启发式搜索高效计算联合订单
  Immanuel L Haffner（萨尔州大学，萨尔州信息学校园）*；Jens Dittrich（萨尔州大学，萨尔州信息学校区）
• T-FSM：一个基于任务的系统，用于从大图中挖掘大规模并行频繁子图模式
  Lyuheng Yuan（阿拉巴马大学伯明翰分校）；大燕（阿拉巴马大学伯明翰分校）*；wenwen qu (华东师范大学); Saugat Adhikari（阿拉巴马大学伯明翰分校）；Jalal Khalil（阿拉巴马大学伯明翰分校）；程龙（南洋理工大学）；王晓玲（华东师范大学）
• 发现相似性包含依赖性
  Youri Kaminsky（Hasso Plattner Institute）*；爱德华多·HM·佩纳 (UTFPR)；Felix Naumann（哈索普拉特纳研究所，波茨坦大学）
• 有效且高效的基于 PageRank 的图形可视化定位
  Shiqi Zhang（新加坡国立大学）；杨仁驰（香港浸会大学）；Xiaokui Xiao（新加坡国立大学）*；肖燕（南方科技大学）；唐博（南方科技大学）
• 最大缺陷团枚举
  戴强强（北京理工大学）；李荣华（北京理工大学）*；廖美豪（北京理工大学）；王国仁（北京理工大学）
• 大型二部图中的高效双分团计数
  叶晓伟（北京理工大学）；李荣华（北京理工大学）*；戴强强（北京理工大学）；秦洪超（北京理工大学）；王国仁（北京理工大学）
• 双匿名草图：寻找全局 Top-K 频繁项的公平性
  Yikai Zhao（北京大学）*；韩文辰（北京大学）；郑忠（北京大学）；张银达（北京大学）；童洋（北京大学）；崔斌（北京大学）
• 管理影响者营销中利益相关者的利益冲突
  Shixun Huang (RMIT)；Junhao Gan（墨尔本大学）；包志峰（皇家墨尔本理工大学）*；林文庆（腾讯）
• JoinSketch：一种用于准确无偏内积估计的草图算法
  Feiyu Wang（北京大学）*；陈其志（北京大学）；李元鹏（北京大学）；童洋（北京大学）；涂耀峰（中兴通讯）；连宇（北京大学）；崔斌（北京大学）
• 基于正则化成对关系的结构化数据分析
  Zhaojing Luo（新加坡国立大学）；蔡少峰（新加坡国立大学）；王亚彤（电子科技大学）；Beng Chin Ooi（新加坡国立大学）*
• 在一起更好：重型击球手延迟分位数估计
  Rana Shahout（以色列理工学院）*；罗伊·弗里德曼（以色列理工学院）；兰本巴萨特 (UCL)
• 独角兽：支持数据集成中匹配任务的统一多任务模型
  涂建宏（中国人民大学）；Ju Fan (中国人民大学)*; Nan Tang（哈佛大学卡塔尔计算研究所）；王鹏（中国人民大学）；李国良（清华大学）；杜小勇（中国人民大学）；贾晓峰（北京大数据中心）；高松（北京大数据中心）
• 时间序列数据有效性
  Yunxiang Su（清华大学）；龚奕坤（清华）；宋少旭（清华大学）*
• 
  Wenfei Fan（爱丁堡大学）使捕捉图形中的重复和冲突变得容易处理；Wenzhi Fu（爱丁堡大学）；金若春（国防科技大学）；刘沐阳（爱丁堡大学）；陆平（北京航空航天大学）；田超（中国科学院）*
• ST4ML：面向机器学习的大规模时空数据处理
  Kaiqi Liu（南洋理工大学）*；潘荣通（阿里巴巴集团）；Mo Li (南洋理工大学)；吴悦（阿里巴巴集团达摩院）；黄建强（阿里巴巴集团）
• Learned Data-aware Image Representations of line charts for Similarity Search
  Yuyu Luo（清华大学）；周一辉（清华大学）；Nan Tang（哈佛大学卡塔尔计算研究所）；李国良（清华大学）*；Chengliang Chai (清华大学); 沈磊贤（清华大学）
• RLS 侧通道：通过查询执行时间调查行级安全保护数据的泄漏
  Chen Dar（特拉维夫大学）；Moshik Hershcovitch（特拉维夫大学和 IBM 研究院）；亚当·莫里森（特拉维夫大学）*
• LightRW：FPGA 加速图形动态随机游走
  Hongshi Tan（新加坡国立大学）*；Xinyu Chen（新加坡国立大学）；姚晨（高级数字科学中心）；Bingsheng He（新加坡国立大学）；Weng-Fai Wong（新加坡国立大学）
• HybridPipe：结合人工生成和机器生成的管道进行数据准备
  陈思贝（中国人民大学）；Nan Tang（哈佛大学卡塔尔计算研究所）；Ju Fan (中国人民大学)*; 闫雪蜜（中国人民大学）；柴成亮（北京理工大学）；李国良（清华大学）；杜小勇（中国人民大学）
• 准备好飞跃（通过联合设计）了吗？加入量子硬件的顺序优化
  Manuel Schönberger（雷根斯堡应用科学技术大学）*；Stefanie Scherzinger（帕绍大学）；Wolfgang Mauerer（雷根斯堡应用科学技术大学/西门子股份公司）
• 从文本中挖掘地理空间关系
  Pasquale Balsebre（南洋理工大学）*；姚德忠（华中科技大学）；高聪（南洋理工大学）；黄伟明（南洋理工大学）；震海（阿里巴巴集团达摩院）
• Grep：基于图学习的数据库分区系统
  Xuanhe Zhou（清华）；李国良（清华大学）*；冯建华（清华）；刘路阳（华为）；郭伟（华为）
• BALANCE：根本原因定位的贝叶斯线性归因
  Chaoyu Chen（蚂蚁集团）；航宇（蚂蚁集团）；雷志超（蚂蚁集团）；李建国（蚂蚁集团）*；任少康（蚂蚁集团）；张廷凯（蚂蚁集团）；胡斯林（蚂蚁集团）；王建超（蚂蚁集团）；文会石（OceanBase）
• 用于大型动态图上子集节点嵌入的高效 Tree-SVD
  Xinyu Du（香港中文大学）；Xingyi Zhang（香港中文大学）；王思博（香港中文大学）*；黄增峰（复旦大学）
• AutoCTS+：用于相关时间序列预测的联合神经架构和超参数搜索
  Xinle Wu（奥尔堡大学）；张大林（奥尔堡大学）；张淼（奥尔堡大学）；Chenjuan Guo（奥尔堡大学）；杨斌（奥尔堡大学）*；Christian S Jensen（奥尔堡大学）
• 当私有区块链遇上确定性数据库
  赖子良（香港中文大学）*；Chris Liu（香港中文大学）；Eric Lo（香港中文大学）
• 多分辨率压缩的分层残差编码
  Bruno Barbarioli（芝加哥大学）*；Gabriel Mersy（芝加哥大学）；Stavros Sintos（伊利诺伊大学芝加哥分校）；Sanjay Krishnan（芝加哥大学）
• NeuroSketch：使用神经网络对范围聚合查询进行快速和近似评估
  Sepanta Zeighami（南加州大学）*；Cyrus Shahabi（南加州大学计算机科学系）；Vatsal Sharan（南加州大学）
• INEV：事件流处理的网络内评估
  Samira Akili（HU 柏林）*；Matthias Weidlich（柏林洪堡大学）；Steven Purtzel（柏林洪堡大学）
• 智能家居规则数据交互分析的图形学习
  Guangjing Wang（密歇根州立大学）*；尼古拉·伊万诺夫（密歇根州立大学）；齐王 (uiuc); ThanhVu Nguyen（乔治梅森大学）；Qiben Yan（密歇根州立大学）
• dsJSON：分布式 SQL JSON 处理器
  Majid Saeedan（加州大学河滨分校）*；Ahmed Eldawy（加州大学河滨分校）；赵志佳（加州大学河滨分校）
• 当树遇到哈希：减少持久性存储器上索引结构的随机读取
  Ke Wang（耶鲁大学）*；杨冠群（纽约大学）；李一伟（清华大学）；张焕辰（清华大学）；高铭宇（清华大学）
• Pontus：在数据流中寻找波
  Zhenghin Zhang（清华大学）*；李庆（鹏城实验室）；段广林（清华）；赵丹（鹏程实验室）；Jingyu Xiao（清华大学）；谢国瑞（清华大学）；江勇（清华大学）
• FEAST：关系数据的高效通信联合特征选择框架
  Rui Fu（北京理工大学）；Yuncheng Wu（新加坡国立大学）；许全清（OceanBase）；张美慧（北京理工大学）*
• Pea Hash：一种高性能的可扩展自适应哈希索引
  Zhuoxuan Liu（中国科学院大学）*；陈世民（中国科学院）
• Kepler：参数查询优化的稳健学习
  Lyric Doshi（谷歌）；文森特庄（谷歌）*；Gaurav Jain（谷歌）；Ryan C Marcus（麻省理工学院）；黄浩宇（谷歌）；Deniz Altınbüken（谷歌）；尤金·布雷夫多（谷歌）；坎贝尔弗雷泽（谷歌）
• Dumpy：大数据系列集合的紧凑自适应索引
  Zeyu Wang（复旦大学）*；王其彤（巴黎西泰大学）；王鹏（“中国复旦大学”）；Themis Palpanas（巴黎西泰大学）；王伟（“复旦大学，中国”）
• Processing-in-DIMM 连接算法的设计与分析：UPMEM DIMM 案例研究
  Chaemin Lim（延世大学）；Suhyun Lee（延世大学）；Jinwoo Choi（延世大学）；Jounghoo Lee（延世大学）；Seongyeon Park（延世大学）；Hanjun Kim（延世大学）；Jinho Lee（首尔国立大学）；Youngsok Kim（延世大学）；
• 基于更快可达性的并行强连通性
  Letong Wang（加州大学河滨分校）；董晓军（加州大学河滨分校）；严谷（加州大学河滨分校）；Yihan Sun（加州大学河滨分校）；
• ForestTI：具有灵活内存效率的可扩展倒排索引时间序列管理系统
  Zhiqi Wang（香港中文大学）；邵子立（香港中文大学）；
• 通过 K 最近邻增强的高效和有效的属性超图聚类
  Yiran Li（香港理工大学）；杨仁驰（香港浸会大学）；石杰明（香港理工大学）；
• DARQ Matter Binds Everything：通过弹性步骤进行高性能和可组合的云编程
  Tianyu Li（麻省理工学院）；Badrish Chandramouli（微软研究院）；Sebastian C Burckhardt（微软研究院）；塞缪尔·马登（麻省理工学院）；
• BtrBlocks：数据湖的高效列压缩
  Maximilian Kuschewski（慕尼黑工业大学）；David Sauerwein (Friedrich-Alexander-Universität Erlangen-Nürnberg)；Adnan Alhomssi (Friedrich-Alexander-Universität Erlangen-Nürnberg)；Viktor Leis（慕尼黑工业大学）；
• 实用的差异私有和拜占庭弹性联邦学习
  Zihang Xiang（阿卜杜拉国王科技大学）；王天浩（弗吉尼亚大学）；Wanyu Lin（香港理工大学）；王迪（KAUST）；
• GIO：通过示例为自定义数据格式生成高效矩阵和帧读取器
  Saeed Fathollahzadeh（格拉茨科技大学）；Matthias Boehm（柏林工业大学）；
• SQL 中高效且可移植的爱因斯坦求和
  Mark Blacher（耶拿弗里德里希席勒大学）；Joachim Giesen（耶拿弗里德里希席勒大学）；Julien Klaus（耶拿弗里德里希席勒大学）；Christoph Staudt（耶拿弗里德里希席勒大学）；Sören Laue（汉堡大学）；Viktor Leis（慕尼黑工业大学）；
• Prerequisite-driven Fair Clustering on Heterogeneous Information Networks
  张俊涛（武汉大学）；王盛（武汉大学）；孙元（拉筹伯大学）；彭志勇（武汉大学，中国）；
• Better than Composition: How to Answer Multiple Relational Queries under Differential Privacy
  Wei DONG（香港科技大学，香港）；孙大军（科大）；柯毅（香港科技大学）；
• 迈向深度在线聚合的一步
  Nikhil Sheoran（伊利诺伊大学香槟分校）；Supawit Chockchowwat（伊利诺伊大学香槟分校）；Arav Chheda（伊利诺伊大学香槟分校）；Suwen Wang（伊利诺伊大学香槟分校）；Riya Verma（伊利诺伊大学香槟分校）；Yongjoo Park（伊利诺伊大学香槟分校）；
• LightCTS：相关时间序列预测的轻量级框架
  Zhichen Lai（奥尔堡大学）；张大林（奥尔堡大学）；李欢（奥尔堡大学）；Christian S Jensen（奥尔堡大学）；陆华（罗斯基勒大学）；Yan Zhao（奥尔堡大学）；
• rkHit：具有不确定偏好的代表性查询
  Xingxing Xiao（哈尔滨工业大学）；李建中（哈尔滨工业大学）；
• HR-Index：演化图历史可达性查询的有效性指标方法
  Yajun Yang（天津大学）；李寒晓（天津大学）；Xiangjv Zhu (天津大学); 王军虎（澳大利亚格里菲斯大学）；王鑫（天津大学）；高宏（浙江师范大学）；
• 在原生机器学习管道上自动化和优化以数据为中心的假设分析
  Stefan Grafberger（阿姆斯特丹大学）；保罗·格罗斯（阿姆斯特丹大学）；Sebastian Schelter（阿姆斯特丹大学）；
• 隐私保护本地化图模式查询处理框架
  Lyu Xu（香港浸会大学）；Byron Choi（香港浸会大学）；彭云（广州大学）；徐建良（香港浸会大学）；Sourav S Bhowmick（南洋理工大学）；
• T-Rex：优化时间序列上的模式搜索
  Silu Huang（微软研究院）；朱尔康（微软研究院）；Surajit Chaudhuri（微软）；Leonhard Spiegelberg（布朗大学）；
• 使用单侧 RDMA
  Tobias Ziegler (TU Darmstadt) 进行正确、高效和可扩展同步的设计指南；Jacob J Nelson（理海大学）；Viktor Leis（慕尼黑工业大学）；Carsten Binnig（达姆施塔特工业大学）；
• 理论和原则很重要：属性图查询的视觉吸引力和有效抽象
  Jiebing Ma (NTU)；Sourav S Bhowmick（南洋理工大学）；Byron Choi（香港浸会大学）；莱斯特·泰 (NTU)；
• 基于动态图的高效星型桁架维护
  Zitan Sun (HKBU)；黄昕（香港浸会大学）；刘庆（浙江大学）；徐建良（香港浸会大学）；
• QaaD（查询即数据）：Spark
  Yeonsu Park (POSTECH) 中大量小查询的可扩展执行；Byungchul Tak（庆北国立大学）；Wook-Shin Han（POSTECH）；
• 探索性培训：当注释者了解数据时
  Rajesh Shrestha（俄勒冈州立大学）；Omeed Habibelahian（俄勒冈州立大学）；Arash Termechchy（俄勒冈州立大学）；保罗·帕波蒂 (Eurecom)；
• 数据科学管道的谓词下推
  Cong Yan（微软研究院）；尹林（密歇根大学）；Yeye He（微软研究院）；
• 高维近似最近邻搜索：具有可靠且高效的距离比较操作
  Jianyang Gao（南洋理工大学）；程龙（南洋理工大学）；
• 二分图上的遗传内聚子图枚举：基于轴的方法的力量戴
  强强（北京理工大学）；李荣华（北京理工大学）；叶晓薇（北京理工大学）；廖美豪（北京理工大学）；张伟鹏（腾讯科技（深圳）有限公司）；王国仁（北京理工大学）；
• 可更新学习索引满足磁盘驻留 DBMS - 从评估到设计选择
  Hai Lan（皇家墨尔本理工大学）；Zhifeng Bao（皇家墨尔本理工大学）；Shane Culpepper（皇家墨尔本理工大学）；Renata Borovica-Gajic（墨尔本大学）；
• InfiniFilter：将过滤器扩展到无穷大和超越
  Niv Dayan（多伦多大学）；Ioana Bercea（哥本哈根 IT 大学）；Pedro Reviriego（马德里卡洛斯三世大学）；Rasmus Pagh（哥本哈根大学）；
• 通过迁移学习在不确定网络中发现最短路径
  Shixun Huang (RMIT)；Zhifeng Bao（皇家墨尔本理工大学）；
• PrivLava：在差分隐私下用外键合成关系数据
  Kuntai Cai（新加坡国立大学）；Xiaokui Xiao（新加坡国立大学）；Graham Cormode（华威大学）；
• 
  大图Xinchen Wan（香港科技大学）的可扩展和高效全图 GNN 训练；徐开强（香港科技大学）；廖旭东（香港科技大学）；金一伦（香港科技大学）；陈凯（香港科技大学）；金鑫（北京大学）；
• ML2DAC：元学习使 AutoML 大众化以进行聚类分析
  Dennis Tschechlov（斯图加特大学）；Manuel Fritz (Carl Zeiss SMT GmbH)；Holger Schwarz（斯图加特大学）；Bernhard Mitschang（斯图加特大学）；
• OM^3：时间序列交互式渐进可视化的有序多级最小-最大表示
  Yunhai Wang（山东大学）；王玉春（山东大学）；陈鑫（山东大学）；赵悦（山东大学）；张凡（山东工商大学）；Eugene Wu（哥伦比亚大学）；Chi-Wing Fu（香港中文大学）；Xiaohui Yu（约克大学）；
• Scapin：增强影响最大化的可扩展图结构扰动
  YeXin Wang（北京大学）；杨志（北京大学）；刘俊奇（北京大学）；张文涛（北京大学）；崔斌（北京大学）；
• 使用结构和内容提示学习的少量文本到 SQL 翻译
  zihui gu（中国人民大学）；Ju Fan (中国人民大学); Nan Tang（哈佛大学卡塔尔计算研究所）；曹磊（麻省理工学院）；贾博文（中国人民大学）；塞缪尔·马登（麻省理工学院）；杜小勇（中国人民大学）；
• Detock：大规模高性能多区域交易
  Cuong DT Nguyen（马里兰大学）；约翰·K·米勒（马里兰大学）；丹尼尔·J·阿巴迪 (UMD)；
• 衡量重新识别风险
  CJ Carey（谷歌）；特拉维斯·迪克（宾夕法尼亚大学）；亚历山德罗·埃帕斯托（谷歌公司）；Adel Javanmard（南加州大学/谷歌）；乔希·卡林（谷歌）；Shankar Kumar（谷歌）；Vahab Mirrokni（谷歌）；安德烈斯·穆诺兹（谷歌）；加布里埃尔·H·努内斯 (UFMG)；谢尔盖·瓦西尔维茨基 (Google)；钟培林（谷歌研究院）；
• 免费加入：统一最差最佳和传统加入
  Yisu R Wang（华盛顿大学）；马克斯·威尔西（华盛顿大学）；Dan Suciu（华盛顿大学）；
• 为数据科学推广批量同步并行处理：从数据到线程和基于代理的模拟
  Zilu Tian (EPFL)；Christoph Koch（洛桑联邦理工学院，瑞士）；Val Tannen（宾夕法尼亚大学）；彼得·林德纳 (EPFL)；Markus Nissl（维也纳工业大学）；
• 利用正则表达式查询中的结构
  Ling Zhang（威斯康星大学麦迪逊分校）；Shaleen Deep（微软灰色系统实验室）；Avrilia Floratou（微软）；安雅·格伦海德（微软）；Jignesh Patel（威斯康星大学麦迪逊分校）；朱一文（微软）；
• 高效计算联合查询的差异
  Xiao Hu（滑铁卢大学）；王启辰（香港浸会大学）；
• 计数加权图
  Felipe Brito (LSBD/UFC) 的全球和本地差分隐私发布；Victor Farias（塞阿拉联邦大学）；Cheryl Flynn（AT&T 实验室研究）；Javam C Machado（LSBD/UFC）；Subhabrata Majumdar（Splunk）；Divesh Srivastava（AT&T 首席数据办公室）；
• QHL：一种用于道路网络上精确约束最短路径搜索的快速算法
  Libin Wang（香港科技大学）；Raymond Chi-Wing Wong（香港科技大学）；
• XInsight：从因果关系的角度进行可解释的数据分析
  Pingchuan Ma (HKUST)；丁锐（微软研究院）；王帅（科大）；施涵（微软研究院）；张冬梅（微软亚洲研究院）；
• GoodCore：Coreset Selection over Incomplete Data for Data-effective and Data-efficient Machine Learning
  Chengliang Chai（北京理工大学）；刘家斌（清华大学）；Nan Tang（哈佛大学卡塔尔计算研究所）；Ju Fan (中国人民大学); dongjing miao (哈尔滨工业大学); 王家义（清华大学）；罗宇宇（清华大学）；李国良（清华大学）；
• 激励感知去中心化数据协作
  王亚彤（电子科技大学）；Yuncheng Wu（新加坡国立大学）；陈新成（新加坡国立大学）；冯钢（电子科技大学）；Beng Chin Ooi（新加坡国立大学）；
• 知识图谱实体和图式的深度主动对齐
  Jiacheng Huang（南京大学）；孙泽群（南京大学）；陈启进（阿里巴巴集团）；徐小舟（阿里巴巴集团）；任伟军（阿里巴巴集团）；胡伟（南京大学）；
• 高效的个性化 PageRank 计算：减少方差的蒙特卡洛方法的力量
  Meihao Liao（北京理工大学）；李荣华（北京理工大学）；戴强强（北京理工大学）；陈红阳（浙江实验室）；秦洪超（北京理工大学）；王国仁（北京理工大学）；
• 使用云函数作为弹性数据分析的加速器
  Haoqiong Bian (EPFL)；天南沙 (EPFL)；阿纳斯塔西娅·艾拉马基 (EPFL)；
• 数据流聚类：一项深入的实证研究
  Xin Wang（俄亥俄州立大学）；王征儒 (NVIDIA)；Zhenyu Wu（曼彻斯特大学）；张书豪（新加坡科技设计大学）；曾宪志（新加坡科技设计大学）；Zhonghao Yang（新加坡科技设计大学）；Haolan He（新加坡科技设计大学）；吴宇豪 (SUTD); 施宣华（华中科技大学）；李璐（四川大学）；
• EARLY：动态图的高效可靠图神经网络
  Haoyang Li（香港科技大学）；陈雷（香港科技大学）；
• 人气比最大化：通过影响力传播超越竞争对手
  Sheng Bi（深圳大学）；廖浩（深圳大学）；焦武（深圳大学）；张伟（深圳大学）；周明阳（深圳大学）；毛睿（深圳大学）；魏晨（微软）；
• FEC: Efficient Deep Recommendation Model Training with Flexible Embedding Communication
  马凯豪（香港中文大学）；肖燕（南方科技大学）；蔡振坤（香港中文大学）；黄玉珍（Meta）；Yidi Wu (Meta Platforms, Inc)；James Cheng（香港中文大学）；
• DUCATI：基于 GPU 的巨型图神经网络双缓存训练系统
  Xin Zhang（香港科技大学）；沉艳艳（上海交通大学）；邵映霞（北京邮电大学）；陈雷（香港科技大学）；
• GuP：基于守卫的修剪的快速子图匹配
  Junya Arai（日本电报电话公司）；Yasuhiro Fujiwara（NTT 通信科学实验室）；Makoto Onizuka（大阪大学）；
• DeltaBoost：使用高效机器学习的梯度提升决策树
  Zhaomin Wu（新加坡国立大学）；朱俊辉（新加坡国立大学）；李勤斌（新加坡国立大学）；Bingsheng He（新加坡国立大学）；
• Efficient and Effective Algorithms for Generalized Densest Subgraph Discovery
  Yichen Xu（香港中文大学，深圳）；马辰浩（香港中文大学（深圳））；方以翔（香港中文大学深圳数据科学学院）；Zhifeng Bao（皇家墨尔本理工大学）；
• 
  谢浩轩（香港中文大学，深圳）；方以翔（香港中文大学深圳数据科学学院）；夏雨阳（香港中文大学（深圳））；Wensheng Luo（香港中文大学（深圳）数据科学学院）；马辰浩（香港中文大学（深圳））；
• LightTS：采用自适应集成蒸馏的轻量级时间序列分类
  David Campos（奥尔堡大学）；张淼（奥尔堡大学）；杨斌（奥尔堡大学）；Tung Kieu（奥尔堡大学）；Chenjuan Guo（奥尔堡大学）；Christian S Jensen（奥尔堡大学）；
• 数据共享市场：激励数据共享联盟形成的模型、协议和算法
  Raul Castro Fernandez（芝加哥大学）；
• Ghost：分布式轨迹流上高性能在线相似性查询的通用框架
  Ziquan Fang（浙江大学）；Shenghao Gong（浙江大学，中国）；陆晨（浙江大学）；徐家臣（浙江大学）；高云军（浙江大学）；Christian S Jensen（奥尔堡大学）；
• LAQy：通过惰性采样
  Viktor Sanca (EPFL) 实现高效且可重用的查询近似；Periklis Chrysogelos (EPFL)；阿纳斯塔西娅·艾拉马基 (EPFL)；
• 在竞争性扩散模型下减轻过滤气泡
  Prithu Banerjee (UBC)；魏晨（微软）；Laks VS Lakshmanan（不列颠哥伦比亚大学）；
• SSIN：降雨空间插值的自监督学习
  Jia Li（香港科技大学）；沉艳艳（上海交通大学）；陈雷（香港科技大学）；Charles Wang Wai Ng（香港科技大学）；
• Maestro：自动生成知识图问答综合基准
  Abdelghny Orogat（卡尔顿大学）；Ahmed El-Roby（卡尔顿大学）；
• 使用位操作指令在列存储中进行选择下推
  Yinan Li（微软研究院）；陆嘉南（普林斯顿大学）；Badrish Chandramouli（微软研究院）；
• 用于神经语言模型记忆评估的大规模近重复序列搜索
  Zhencan Peng（罗格斯大学）；Zhizhi Wang（罗格斯大学）；邓东（罗格斯大学-新不伦瑞克）；
• 不确定数据库的查询引导解决方案
  Osnat Drien（巴宜兰大学）；Matanya Freiman（巴宜兰大学）；Antoine Amarilli（LTCI，Télécom ParisTech）；Yael Amsterdamer（巴伊兰大学）；
• 高效的 GPU 加速子图匹配
  Sun Xibo Sun（香港科技大学）；罗琼（香港科技大学）；
• Hamming Tree：NVM 的能量感知索引案例
  Saeed Kargar (UCSC)；Faisal Nawab（加州大学尔湾分校）；
• DiffPrep：用于学习表格数据的可区分数据预处理管道搜索
  Peng Li (GATECH)；Zhiyi Chen（佐治亚理工学院）；许褚（GATECH）；Kexin Rong（佐治亚理工学院）；
• GraphINC：以网络速度进行图形模式挖掘
  Rana Hussein（弗里堡大学）；Alberto Lerner（弗里堡大学）；Andre Ryser（弗里堡大学）；Lucas David Bürgi（弗里堡大学）；Albert Blarer (ArmaSuisse)；Philippe Cudre-Mauroux（瑞士弗里堡大学）；
• 使用明智的子查询选择进行高效查询重新优化
  Junyi Zhao（清华大学）；张焕辰（清华大学）；高一涵（清华大学）；
• 自治 DBMS 调优的统一高效协调框架
  Xinyi Zhang（北京大学）；卓畅（北京大学）；洪武（阿里巴巴）；杨莉（腾讯公司）；陈佳（北京大学）；谭健（阿里巴巴）；李飞飞（阿里巴巴集团）；崔斌（北京大学）；
• WISK：用于空间关键字查询的工作负载感知学习索引
  Yufan Sheng（新南威尔士大学）；曹鑫（新南威尔士大学）；方以翔（香港中文大学深圳数据科学学院）；赵凯琪（奥克兰大学）；齐建中（墨尔本大学）；高聪（南洋理工大学）；张文杰（新南威尔士大学）；
• DAMR：多元时间序列插补的动态邻接矩阵表示学习
  Xiaobin Ren（奥克兰大学）；赵凯琪（奥克兰大学）；Patricia J Riddle（新西兰奥克兰大学）；Katerina Taskova（奥克兰大学）；潘清怡（清华大学）；李连艳（奥克兰大学）；

SIGMOD 2023：接受的演示论文

• 使用 ArgusEyes 主动筛选机器学习管道
  Sebastian Schelter（阿姆斯特丹大学）*；Stefan Grafberger（阿姆斯特丹大学）；Shubha Guha（阿姆斯特丹大学）；Bojan Karlaš（哈佛大学）；张策 (ETH)
• Dike：分布式事务数据库的基准套件
  Huidong Zhang（华东师范大学）；Luyi Qu (华东师范大学); 王庆帅（华东师范大学）；张荣（华东师范大学）*；蔡鹏（华东师范大学）；许全清（OceanBase）；杨志峰（OceanBase）；杨传辉（OceanBase）
• PyNKDV：用于地理空间分析系统的高效网络内核密度可视化库
  Tsz Nam Chan（香港浸会大学）*；Rui Zang（香港浸会大学）；Pak Lon Ip（澳门大学）；Leong Hou U（澳门大学）；徐建良（香港浸会大学）
• BCNF* - 从规范化到星型模式再返回
  Youri Kaminsky（Hasso Plattner Institute）*；Felix Naumann（波茨坦大学 Hasso Plattner 研究所）；Marie Fischer（哈索普拉特纳研究所）；Gerd Paul Roessler（哈索普拉特纳研究所）；Paul Sieben（哈索普拉特纳研究所）；Janina Adamcic（哈索普拉特纳研究所）；Tobias Straeubig（哈索普拉特纳研究所）；Christoph Kirchherr（哈索普拉特纳研究所）
• ARENA：面向数据库教育的替代关系查询计划探索
  Hu Wang（西安电子科技大学）；李慧（西安电子科技大学）；Sourav S Bhowmick（南洋理工大学）*；许宝超（西安电子科技大学）
• 
  Chenyu Yang（中国人民大学）；“注意”你阅读文本时的图表图像 范瑞雪（中国人民大学）；Nan Tang（哈佛大学卡塔尔计算研究所）；张美惠（北京理工大学）；赵晓曼（中国人民大学）；Ju Fan (中国人民大学)*; 杜小勇（中国人民大学）
• SparkSQL+：基于 Spark 的下一代查询规划
  Binyang DAI（香港科技大学）；王启辰（香港浸会大学）*；柯毅（香港科技大学）
• 演示用于数据发现的 MATE 和 COCOA
  Jannis Becktepe（Leibniz Universität Hannover）*；Mahdi Esmailoghli（汉诺威莱布尼兹大学）；Maximilian Koch（汉诺威莱布尼茨大学）；Ziawasch Abedjan（汉诺威莱布尼茨大学）
• Geyser 演示：数据科学脚本的来源提取和应用
  Fotios Psallidas（微软）*；Megan Leszczynski（斯坦福大学）；Mohammad Hossein Namaki（微软）；Avrilia Floratou（微软）；阿什文·阿格拉瓦尔（微软）；康斯坦丁诺斯·卡拉纳索斯 (Meta)；Subru Krishnan（微软）；Pavle Subotic（微软）；马库斯·韦默（微软）；吴英辉（凯斯西储大学）；朱一文（微软）
• SCAD：混合云上交互式微服务的可扩展性顾问
  Ka-Ho Chow（佐治亚理工学院）*；Umesh Deshpande（IBM 研究院 - 阿尔马登）；Veera Deenadhayalan（IBM 研究院 - 阿尔马登）；Sangeetha Seshadri（IBM 研究院 - 阿尔马登）；刘玲（佐治亚理工学院）
• Acheron：在 LSM 引擎中保留墓碑
  Zichen Zhu（波士顿大学）*；Subhadeep Sarkar（波士顿大学）；马诺斯阿塔纳苏利斯（波士顿大学）
• SMILE：一种在云中提供大规模预训练语言模型的高性价比系统
  王爵（浙江大学）；陈可（浙江大学）；寿丽丹（浙江大学）*；蒋大伟（浙江大学）；陈钢（浙江大学）
• 演示 NaturalMiner：在大数据集中搜索自然语言中描述的抽象模式
  Immanuel Trummer（康奈尔大学）*
• 通过 CInsGen
  Hanze Meng（杜克大学）表征和验证查询；苗政杰（杜克大学）*；Amir Gilad（杜克大学）；Sudeepa Roy（杜克大学，美国）；杨俊（杜克大学）
• CoWrangler：数据整理脚本的推荐系统
  Bhavya Chopra（微软）*；安娜·法里哈（微软）；Sumit Gulwani（微软研究院）；奥斯汀 Z 亨利（微软）；丹尼尔·佩雷尔曼（微软）；穆罕默德·拉扎（微软）；Sherry Y Shi（微软）；丹尼·西蒙斯（微软）；Ashish Tiwari（微软）
• SHACTOR：通过验证形状提高大规模知识图的质量
  Kashif Rabbani（丹麦奥尔堡大学）*；Matteo Lissandrini（奥尔堡大学）；Katja Hose（奥尔堡大学）
• 基于样本的快速自然语言数据探索
  Shubham Agarwal (Adobe)；Gromit Yeuk-Yin Chan（Adobe Research）；Shaddy Garg（Adobe Research）；童宇（Adobe Research）；Subrata Mitra（Adobe Research）*
• Dexer：检测和解释 Yuval Moskovitch 排名中的偏差表示
  （本古里安大学）*；李金阳（密歇根大学）；HV Jagadish（密歇根大学）
• TeeBench：可信执行环境中的无缝基准测试
  Kajetan Maliszewski（柏林工业大学）*；Tilman Dietzel（柏林工业大学）；Jorge Arnulfo Quiané Ruiz（哥本哈根 IT 大学）；Volker Markl（柏林工业大学）
• ATENA-PRO：使用约束强化学习生成个性化探索笔记本
  Amit Somech（巴伊兰大学）*；Tavor Lipman（特拉维夫大学）；Tova Milo（特拉维夫大学）
• NEXUS：关于解释混杂偏见
  Brit Youngmann（麻省理工学院）*；迈克尔·卡法雷拉 (MIT CSAIL)；Yuval Moskovitch（本古里安大学）；Babak Salimi（加州大学圣地亚哥分校）
• 使用 Sudokube 数据立方体引擎聚合和探索高维数据
  Sachin Basil John (EPFL)*；彼得·林德纳 (EPFL)；蒋哲凯（麦吉尔大学）；Christoph Koch（“EPFL，瑞士”）
• ThalamusDB 演示：使用自然语言谓词对多模式数据回答复杂的 SQL 查询
  Saehan Jo（康奈尔大学）*；伊曼纽尔·特鲁默（康奈尔大学）
• SmokedDuck 演示：SQLStepper
  Haneen Mohammed（哥伦比亚大学）*；查理·萨默斯（哥伦比亚大学）；Sughosh V Kaushik（哥伦比亚大学）；Eugene Wu（哥伦比亚大学）
• DIALITE：发现、调整和整合开放数据表
  Aamod Khatiwada（东北大学）*；Roee Shraga（东北大学）；Renée J. Miller（东北大学）
• KAMEL 的演示：基于 BERT 的可扩展轨迹插补系统
  Mashaal Musleh（明尼苏达大学）*；Mohamed Mokbel（明尼苏达大学双城分校）
• GeoTorchAI 的演示：时空深度学习框架
  Kanchan Chowdhury（亚利桑那州立大学）*；Mohamed Sarwat（Wherobots Inc.）
• 使用编译在 Python 中进行高效查询处理
  Hesam Shahrokhi（爱丁堡大学）；Callum Groeger（爱丁堡大学）；杨一卓（爱丁堡大学）；Amir Shaikhha（爱丁堡大学）

SIGMOD 2023：接受的工业论文

• Presto：Meta James Sun (Meta Platform, Inc) 十年的 SQL 分析 *
• 以最小的成本保持分布式数据仓库的一致性
  Zhichen Xu (Google Inc)*；高颖（谷歌）；安德鲁·戴维森（字母表）
• GeaFlow：图形扩展和加速数据流系统
  ZHENXUAN PAN（蚂蚁集团）；吴涛（蚂蚁集团）；赵庆文（蚂蚁集团）；周强（蚂蚁集团）；彭志伟（蚂蚁集团）；李杰峰（蚂蚁集团）；张琪（蚂蚁集团）；冯冠宇（蚂蚁集团）；朱晓薇（蚂蚁集团）*
• 分解 RocksDB：生产经验
  Siying Dong (Meta)*；Shiva Shankar Padmaraju (Meta Inc)；Satadru Pan（Meta）；Anand Ananthabhotla（脸书）；Dhanabal Ekambaram（Meta）；Abhinav Sharma（Meta）；Shobhit Dayal（元）；Nishant Parikh（Meta）；Yanqin Jin (Meta); 阿尔伯特·金（脸书）；Sushil S Patil（Meta）；庄杰 (Meta)；塞缪尔·J·邓斯特 (Meta)；Akanksha Mahajan（元）；Anirudh Chelluri（元）；Chaitanya Datye（元）；卢卡斯·瓦斯康塞洛斯·桑塔纳 (Meta)；Nitin Garg（元）；Omkar Gawde（元）
• GoldMiner：深度学习训练数据预处理管道的弹性缩放
  Hanyu Zhao（北京大学）*；杨志（北京大学）；程宇（北京大学）；田超（北京大学）；任世如（阿里巴巴集团）；肖文聪（阿里巴巴集团）；满元（阿里巴巴集团）；Langshi Chen（阿里巴巴集团）；刘凯波（北京大学）；张扬（阿里巴巴集团）；李勇（阿里巴巴集团）；林伟（阿里巴巴集团）
• VeDB：支持软件和硬件的可信关系数据库
  Xinying Yang (ByteDance)*；张睿德（字节跳动）；Cong Yue（新加坡国立大学）；刘洋（字节跳动）；Beng Chin Ooi（新加坡国立大学）；高群（字节跳动）；张源（字节跳动）；杨浩（字节跳动）
• Apache IoTDB：用于物联网应用的时间序列数据库
  Chen Wang（“清华大学，中国”）；Jialin Qiao (Timecho Ltd)；黄向东（Timecho Limited）；宋少旭（清华大学）*；侯昊南 (Timecho Ltd)；蒋田（清华大学）；雷锐（清华大学）；王建民（“中国清华大学”）；孙家光（清华大学）
• 有什么不同？
  在 Snowflake Tyler Akidau (Snowflake Inc)*中使用更改查询进行增量处理 ；保罗·巴比尔（雪花）；Istvan Cseri（雪花）；Fabian Hueske（雪花计算公司）；泰勒·琼斯（雪花）；Sasha Lionheart（雪花）；丹尼尔 PS 米尔斯（雪花）；Dzmitry Pauliukevich（雪花）；卢卡斯·普罗布斯特（雪花）；尼克拉斯·塞姆勒（雪花）；Dan Sotolongo（雪花公司）；张博元（雪花）
• 知识图谱中的高通量向量相似性搜索
  Jason M Mohoney（威斯康星大学麦迪逊分校）*；Anil Pacaci（苹果公司）；Shihabur R Chowdhury（苹果公司）；阿里穆萨维（苹果）；Ihab F Ilyas（滑铁卢大学和苹果大学）；Umar Farooq Minhas（苹果公司）；杰弗里·庞德（苹果）；Theodoros Rekatsinas（苹果公司）
• PG-Schema：属性图的模式
  Renzo Angles（塔尔卡大学）；Angela Bonifati（里昂大学）；Stefania Dumbrava (ENSIIE)；George Fletcher（荷兰埃因霍温科技大学）；阿拉斯泰尔·格林（先生）；Jan Hidders（伦敦大学伯贝克学院）*；李贝（谷歌）；Leonid Libkin（爱丁堡大学和 RelationalAI）；维克多·马索 (UPEM / CNRS)；Wim Martens（拜罗伊特大学）；Filip Murlak（波兰华沙大学）；Stefan Plantikow（Neo4j）；Ognjen Savkovic（博岑-博尔扎诺自由大学）；Michael Schmidt（亚马逊网络服务）；胡安·塞克达 (data.world)；Sławek Staworko（RelationalAI）；Dominik Tomaszuk（比亚韦斯托克大学）；汉内斯·沃格特（Neo4j）；Domagoj Vrgoc（智利天主教大学）；Mingxi Wu (Tigergraph inc)；Dušan Živković（综合数据解决方案）
• 
  PolarDB-IMCI：阿里巴巴王建英（Alibaba Inc.） 的云原生 HTAP 数据库系统 *；李彤亮（阿里巴巴集团）；宋浩泽（香港大学）；杨新军（阿里巴巴集团）；周文超（阿里巴巴集团）；李飞飞（阿里巴巴集团）；闫宝月（阿里巴巴）；吴倩倩（阿里巴巴）；梁宇坤（阿里巴巴集团）；应成军（浙江大学）；王玉洁（阿里巴巴集团）；陈宝凯（阿里巴巴集团）；常菜（阿里巴巴）；阮玉斌（阿里巴巴集团）；Xiaoyi Weng（阿里巴巴）；陈世斌（阿里巴巴集团）；尹亮（阿里巴巴集团）；杨成中（阿里巴巴）；蔡鑫（阿里巴巴）；邢红艳（阿里巴巴）；余南龙（阿里巴巴）；陈晓飞（阿里巴巴）；黄大鹏（阿里巴巴）；孙建玲（浙江大学）
• Vineyard：在数据密集型分析中优化数据共享
  Wenyuan Yu（阿里巴巴集团）*；何涛（阿里巴巴集团）；王磊（阿里巴巴集团）；孟柯（阿里巴巴集团）；曹野（阿里巴巴）；朱迪文（阿里巴巴）；李三宏（阿里巴巴集团）；周静仁（阿里巴巴集团）
• 用于学习语义类型检测的引导训练数据生成
  Sven Langenecker (DHBW Mosbach)*；克里斯托夫·斯特姆 (DHBW Mosbach)；克里斯蒂安·沙勒斯 (DHBW Mosbach)；Carsten Binnig（达姆施塔特工业大学）
• 
  当自动过滤来拯救时：Owler Jinsong Guo（牛津大学） 中的预计算公司竞争对手对 *；Aditya Jami（融水）；Markus Kröll（融水）；Lukas Schweizer（融水）；谢尔盖·帕拉莫诺（Meltwater）；埃里克·艾辛格（Meltwater）；Stefano Sferrazza（融水）；马蒂亚·斯卡西亚（Meltwater）；Stéphane Reissfelder（Meltwater）；Eda Cicek（维也纳工业大学）；乔瓦尼·格拉索（卡拉布里亚大学）；Georg Gottlob（牛津大学）
• DataChat：一个直观的协作数据分析平台
  Jignesh Patel（威斯康星大学 - 麦迪逊分校）*
• 在 Azure 上构建自治数据服务
  Yuanyuan Tian（微软灰色系统实验室）*；朱一文（微软）；乔伊斯·卡洪（微软）；Subru Krishnan（微软）；安基塔·阿加瓦尔（微软）；Rana Alotaibi（微软灰色系统实验室）；Jesús Camacho-Rodríguez（微软）；Bibin Chundatt（微软）；Andrew Chung（微软）；Niharika Dutta（微软）；安德鲁·福格蒂（微软）；安雅·格伦海德（微软）；Brandon Haynes（微软灰色系统实验室）；Matteo Interlandi（微软）；米努艾尔（微软）；尼克·尤尔根斯（微软）；Sumeet Khushalani（微软）；布赖恩·克罗斯（微软）；Manoj Kumar（微软）；乔蒂·里卡（微软）；谢尔盖·马图塞维奇（微软）；明尼·米塔尔（微软）；Kartheek Muthyala（微软）；Harsha Nagulapalli（微软）；Yoonjae Park（微软）；希伦·帕特尔（微软）；安娜·帕夫连科（微软）；奥尔加·波佩（微软）；Santhosh Ravindran（微软）；卡拉索尔（微软）；拉蒂吉特森（微软）；Steve Suh（微软）；Arijit Tarafdar（微软）；Kunal Waghray（微软）；王德民（微软）；卡罗·库里诺（微软）；Raghu Ramakrishnan（微软）
• 
  Auto-WLM：Amazon Redshift Gaurav Saxena (AWS) 中的 ML 增强型工作负载管理 ；穆罕默德·拉赫曼 (AWS)；纳雷什·查纳尼 (AWS)；林春斌（签证）；George Caragea（花边）；法希姆·乔杜里 (AWS)；瑞安·马库斯 (UPenn / AWS)；蒂姆·克拉斯卡 (MIT / AWS)*；Ippokratis Pandis (AWS)；Balakrishnan (Murali) 纳拉亚纳斯瓦米 (AWS)
• 让 Keebo 的数据云更智能：使用数据学习的自动化仓库优化
  Barzan Mozafari（密歇根大学）*
• 发展和服务大型开放域知识图谱
  Ihab F Ilyas（Apple）*

文章来源：SIGMOD 2023官网

https://2023.sigmod.org/sigmod_research_list.shtml

https://2023.sigmod.org/sigmod_demo_list.shtml

https://2023.sigmod.org/sigmod_industrial_list.shtml