模块提供了一种组织QL代码的方法，通过将相关类型、谓词和其他模块组合在一起。模块分为文件模块、库模块和查询模块，分别由.ql和.qll文件定义。可以通过导入语句将外部模块的内容引入当前模块的名称空间，以避免重复并提高代码结构的可管理性。

谓词用于描述QL程序中的逻辑关系。定义谓词时需指定关键字或结果类型、名称、参数及逻辑公式。谓词分为无结果谓词和有结果谓词，后者可返回多个值。递归谓词允许通过自身调用来获取结果。不同类型的谓词包括非成员谓词、特征谓词和成员谓词。

本研究针对现有基数估计方法在生产环境中的实际应用挑战，提出了DistJoin，一种基于高效分布预测的连接基数估计器。通过使用自适应神经谓词调制模型，DistJoin不仅支持等值和非等值连接的准确基数估计，还显著提高了对数据更新的鲁棒性和处理速度，有效减少了估计方差。

本研究解决了在复杂的机器人领域中，如何从原始图像传感器输入中学习长期决策的问题。我们提出了一种新颖的方法，通过利用预训练的视觉语言模型（VLMs），直接从输入图像中发明语义上有意义的谓词，从而推动决策过程。实验证明，我们的方法能够有效地发明有助于在多个模拟环境中推广新任务的谓词。

本文介绍了GaussDB(DWS)中的谓词列分析功能，包括动态采样和手动采样。该功能通过识别WHERE、JOIN等条件列，优化采样过程，减少分析时间，特别适用于大宽表。在9.1.0.100版本中默认开启，用户可通过guc参数进行控制。

本文讨论了场景图生成中细粒度谓词预测能力不足的问题，并提出了解决方案，如集成谓词解码、谓语相关性感知学习、堆叠式混合注意力和群组协作学习等。这些方法显著提高了模型性能和准确性。

本文探讨了通过自我发明谓词和赋分策略来改善逻辑代理的可解释性和奖励学习效率。提出的基于能量的框架和反事实推理方法在机器人操作任务中表现优异，显著提升了样本效率和决策解释能力。

本研究提出了“神经逻辑归纳学习”框架，旨在提高数据模式解释的效率与可扩展性。通过结合可微分归纳逻辑编程、深度学习和强化学习，增强了模型的可解释性和决策能力，并探讨了基于符号的学习方法在复杂环境中的应用，验证了该框架在多个数据集中的有效性。

本文介绍了DB-SGG、DSGG和TISGG等场景图生成模型的创新方法，旨在解决数据不平衡和语义歧义问题。这些模型通过新的框架和策略，在长尾分布和三元组识别方面取得了显著的性能提升，展示了在场景图生成任务中的先进成果。

该研究介绍了一种新方法，使用基于谓词的关联规则（PARs）来解释表格数据中的异常。通过用户研究证明，该方法比现有的模型无关解释选项更易理解和受欢迎，并在实验证明 PARs 在计算效率和解释准确性上具有竞争优势。

本文介绍了一种自动评估日语字幕场景图的方法JaSPICE，使用依赖关系和谓语-论元结构生成场景图，并使用同义词扩展图。实验结果表明，该方法超过基准度量方法与人工评估的相关系数。

通过可视化和实验研究改进了DETR框架在人物-物体交互研究中的问题，增强了图像特征，改进了模型的谓词视觉上下文。在HICO-DET和V-COCO基准上超过了最先进的方法，同时保持了较低的训练成本。