Semantic Views: Certified Reuse of LLM Labels Across Semantic Queries
作者: Oktie Hassanzadeh, Dharmashankar Subramanian
分类: cs.DB, cs.AI
发布日期: 2026-10-08
备注: Code and data: https://github.com/semviews/lotus-semviews
💡 一句话要点
提出SemViews以解决语义查询中的标签重用问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 语义查询 大型语言模型 oracle调用 标签重用 信息检索 数据库优化 机器学习
📋 核心要点
- 现有方法在优化oracle调用时，精度和召回率往往无法满足用户需求，且在查询结束时丢弃oracle标签。
- SemViews通过利用先前查询留下的标签和其他信号，减少oracle调用并保持高精度和召回率。
- 在对725,000个oracle标签的实验中，SemViews在99.63%的查询中满足目标，并显著减少了oracle调用次数。
📝 摘要（中文）
语义查询引擎使用大型语言模型评估自然语言过滤器，每次评估都是昂贵的oracle调用。现有优化方法面临信任低成本代理的精度和召回率不足的问题。本文提出SemViews，一种认证的语义过滤器，通过不需要oracle调用的信号（如先前查询留下的标签、局部嵌入和辅助模型的评分）对元组进行排序，并用必须支付的标签进行精炼，最终通过新的分层oracle样本认证答案。SemViews在99.63%的查询中满足用户的精度和召回率目标，并节省28%-45%的oracle调用。
🔬 方法详解
问题定义：本文旨在解决语义查询引擎中oracle调用成本高的问题。现有方法在优化过程中，往往牺牲精度和召回率，且在查询结束时丢弃重要的oracle标签。
核心思路：SemViews的核心思路是利用先前查询留下的标签和其他信号（如局部嵌入和辅助模型评分）来排序元组，从而减少对oracle的依赖，同时保持高精度和召回率。
技术框架：SemViews的整体架构包括三个主要模块：首先，通过不需要oracle调用的信号对元组进行初步排序；其次，使用必须支付的标签对排序进行精炼；最后，通过新的分层oracle样本对答案进行认证。
关键创新：SemViews的最大创新在于其认证机制，确保在每个工作负载和目录下，答案的精度和召回率目标以至少$1-δ$的概率得到满足。这一机制使得即使使用过时或误导的视图，也不会影响最终的准确性。
关键设计：在设计中，SemViews采用了分层抽样的策略，确保所选样本的代表性。此外，模型的损失函数和评分机制经过精心设计，以最大化精度和召回率，同时最小化oracle调用次数。
🖼️ 关键图片
📊 实验亮点
在对725,000个oracle标签的实验中，SemViews在99.63%的查询中满足精度和召回率目标，并节省了28%-45%的oracle调用次数。与唯一的对比基线相比，SemViews的oracle调用次数减少了1.32x-1.71x，显示出显著的性能提升。此外，当问题以不同措辞返回时，SemViews进一步减少了27%-36%的调用次数，且在99.8%的查询中满足目标。
🎯 应用场景
SemViews的研究成果在多个领域具有广泛的应用潜力，特别是在需要高效处理自然语言查询的数据库系统和信息检索系统中。通过减少oracle调用次数，SemViews能够显著降低计算成本，提高系统的响应速度和用户体验。未来，随着语义查询技术的不断发展，SemViews可能会在智能助手、搜索引擎等领域发挥更大作用。
📄 摘要（原文）
Semantic query engines evaluate natural-language filters with a large language model, and every evaluation is a costly oracle call. Optimizers that reduce these calls face a dilemma: cascades that trust a cheap proxy miss their precision and recall targets on many queries, methods with finite-sample guarantees save little, and all of them discard the oracle's labels when the query ends. We present SemViews, a certified semantic filter that orders tuples by signals that cost no oracle calls (the labels that earlier queries left behind as semantic views, a local embedding, and a helper model's score), refines that order with labels it must pay for anyway, and certifies its answer with fresh stratified oracle samples. The answer meets user precision and recall targets with probability at least $1-δ$ for every workload and every catalog, so a stale or misleading view can cost oracle calls but never accuracy. On four workloads replayed against 725,000 recorded oracle labels, SemViews meets both targets on 99.63% of queries and saves 28%-45% of the oracle calls, whereas the only prior method in our study with the same guarantee needs 1.32x-1.71x as many calls. When a question returns in different words, views cut its calls by a further 27%-36%, with both targets met on at least 99.8% of such queries; similarity caches and entailment-based reuse meet them on only 17%-47%.