SIGMOD 2026 Trip Report

한편, 논문 발표 세션들 또한 약간은 다른 분위기로 진행되었습니다. 학회에서 발표해야 하는 논문의 개수는 늘어나는 반면, 실질적인 학회 진행 기간은 3일 정도로 동일하기 때문에 각 논문에 할당할 수 있는 시간이 상당히 제한되었습니다. 각 발표가 9분+질의응답 1-2분 수준으로 제한됨에 따라, 주제에 익숙한 청중이라면 논문의 전반적인 내용을 이해하는 데에 문제는 없겠지만, 꼭 그렇지 않은 경우가 많다보니 논문에서 풀고자 하는 문제가 무엇인지, 해법의 방향성은 무엇인지 정도를 소개하고 마치게 되어 다소 아쉬웠습니다. 대신 예년과 같이 구연 발표에 대한 보충으로서 포스터 발표를 저녁마다 전체(plenary) 세션으로 진행함으로써 질의응답을 더 알차게 채워나갈 수 있었습니다.

(출처: Matteo Interlandi, Nicolas Bruno, Brandon Haynes, Carlo Curino, Rathijit Sen, Yinan Li, Kaushik Rajan, Bailu Ding, Lukas M. Maas, Wei Cui, Kevin Gaffney, Mingsheng Hong, Brian Kroth, Sampath Rajenda, Peng Cheng, Surajit Chaudhuri, Johannes Gehrke, Raghu Ramakrishnan, Lidong Zhou, Momin Al-Ghosien, Craig Peeper, Marius Dumitru, Conor Cunningham, Kevin Bocksrocker, Prasanna Sundar, Ron Boskovic, YongChul Kwon, Marko Zivanovic, Runbin Shi, Krystian Sakowski, Denis Lamtsov, Josep Aguilar Saborit, Krish Srinivasan, Adarsh Kapil, Andrew Putnam, Anudeep Kambapu, Aparna Konduri, Aaron Landy, Aaron Moore, Aaron Pitman, Artem Oks, Ashit Gosalia, Babu Kandimalla, Blake Pelton, Bogdan Crivat, Cesar Galindo-Legaria, Chidamber Kulkarni, Jesus Camacho Rodriguez, Evgeny Babin, Hans Lehnert Marino, Igor Konev, Israel Arroyo, Luis Penaranda, Mandar Datar, Morten Borup Petersen, Nicholas Simmons, Parminder Poonian, Pravija Danda, Rob Rydberg, Esteban Calvo, Ronak Bajaj, Sai Sumanth Kammal Shetty, Sharanya Bhat, and Zach Iracheta. 2026. CoddSpeed: Hardware Accelerated Query Processing in Microsoft Fabric. In Companion of the International Conference on Management of Data (SIGMOD Companion '26). Association for Computing Machinery, New York, NY, USA, 359–372. https://doi.org/10.1145/3788853.3803077)

그 외에도 TUM에서 나왔던 vmcache를 여러 메모리 계층으로 확장할 때 발생하는 페이지 마이그레이션 문제를 다루는 대학원 강의 과제같은 발표도 있었습니다. 워크샵의 특성 상 정규트랙들보다 좀 더 가볍고 하고 싶은 것을 해보는 분위기가 느껴졌습니다. 완성된 논문을 투고하여 발표하는 것도 의미있지만, 아직 준비 중인 단계의 다양한 시도들을 자유롭게 던져보고, 그것에 가장 관심을 갖는 사람들과 함께 이야기할 수 있는 자리가 워크샵이 아닐까 생각했습니다.

Keynote - Teaching a New Dog Old Tricks: Reusing Data Management Principles in the Age of LLMs

위와 같은 질문에 대답하기라도 하듯, 두번째 키노트는 AI, LLM의 시대에 오래된 시스템의 트릭들을 도입할 수 있다는 Tel Aviv 대학의 Tova Milo 교수님의 발표였습니다.

저는 키노트 자체보다도 어떤 학생의 질문이 인상 깊었는데요, 정확한 내용은 기억나지 않지만, 앞으로 5년 뒤의 미래와 연구자의 역할이 어떻게 될 지에 대한 것이었습니다. 사실 이에 대한 답변 자체보다도 SIGMOD 커뮤니티의 고민이 느껴지는 세션이었는데요, 불과 1-2년 전과 다르게 이제는 연구자들이 AI로 인한 변화 속에서 어떻게 적응해야 할 지 진지하게 고민하고 있는 것처럼 보였습니다. 개인적으로는 문제 해결보다도 문제를 정의하고 발굴하는 능력이 핵심이라고 느꼈습니다. 새로운 시스템에 기존의 트릭들을 적용하기 위해서는 어떤 지점이 다르게 제약으로 주어지고, 어떤 지점이 문제로 변할 수 있는 지 알아내는 능력이 중요하다는 얘기니까요.

이 뿐만이 아닙니다. 우리는 진정한 연구를 잊어버린 채 단기적 이익에만 매몰되고, 최근에 유행하는 것들만을 좇고 있다는 것입니다. 그 예시로 교수님이 드신 것이 learned index입니다(그냥 예시일 뿐이니 learned index 자체는 죄가 없다고 봅니다. Vector index도 유행을 타고 있다는 점에서는 크게 다르지 않을 것 같은데, 교수님께서도 연구를 하고 계시는 만큼 희생양을 다른 데서 찾으신 게 아닐지.....). 그러나 비단 연구가 아니라 어떤 종류의 커뮤니티에서도 유행을 피할 수는 없지 않을까요? 물론 유행에 대한 맹종이 지나쳐서, 원래 있어야 할 자리를 잊게 된다면 분명 문제일 것입니다. 이 리포트의 시작 부분에서 했던 주제-기관에 대한 분석을 조금 더 세밀하게 한다면 인기 주제로의 쏠림 현상이나 커뮤니티 내에서의 분리와 고립 등을 확인해 볼 수 있을지도 모르겠습니다.

물론 이러한 현상을 교수님 한 분이 해결할 수 있는 것은 아니지만, 굳이 키노트에 들고 나온 이유는 커뮤니티의 각성을 촉구하기 위함이 아니었을까요. 

본론(?)에서 교수님은 NVIDIA의 하드웨어를 보여주시며 이런 하드웨어가 데이터베이스에도 사용될 것 같은 지 질문을 던지셨습니다. 청중의 반응은 알 수가 없었지만, 교수님의 주장은 결국 데이터베이스를 위한 가속기가 쓰일 수밖에 없다는 것이었습니다. 그러면서 AI의 가장 기초적인 building block인 matrix multiplication이 GPU, NPU 등에서 집중적으로 가속화되고 있음을 지적하고, 데이터 프로세싱에 있어서 MatMul과 같은 기초적인 연산은 무엇이 될 수 있을지 질문을 던지셨습니다.

생각해보면 하드웨어는 소프트웨어와 독립적으로 발전하지 않습니다. 소프트웨어 발전 과정에서 필요한 기능들을 하드웨어가 제공하고, 하드웨어에서 제공하는 기능들을 소프트웨어가 활용해 보면서 더욱 발전하도록 자극을 주기도 합니다. Intel의 Optane과 같은 시도도 있었고, 최근에는 역시 Intel의 DSA나 IAA를 이용한 연구들도 나오고 있습니다. 이로 미루어 보건대, AI에 GPU를 사용하는 것이 처음부터 예정된 일은 아니었던 것처럼, 데이터 프로세싱에 잘 사용할 수 있는 하드웨어가 존재할 것이고, 언젠가는 데이터 프로세싱만을 염두에 둔 하드웨어가 만들어질 수도 있겠습니다.

물론, 이런 주장에 동의하지 않는 분들도 계실테고 저(학회에 참석한 인원 중 한 명) 또한 완전히 동의할 수는 없었습니다만, 교수님의 확고한 비전과 연구자로서의 자세는 학생으로서 대단히 존경스러웠습니다. 키노트 내용도 좋았지만 달라지는 흐름을 맞이하는 프론티어 연구자의 자세를 배울 수 있었습니다.

High-Performance & Distributed Storage

이 세션은 EPFL의 Anastasia Ailamaki 교수님께서 세션 체어를 맡았는데, “AI, LLM보다 훨씬 재밌는 연구들의 세션에 온 것을 환영합니다”라고 하면서 세션을 소개하셨습니다. 대단히 어려워보이는 연구들과 실력자들이 많이 보였습니다. <Sublime: Sublinear Error & Space for Unbounded Skewed Streams>은 Honorable Mention을 수상한 연구입니다. 

현실의 스트림 데이터는 skew된 형태로 들어오는데요, 즉 어떤 스트림에 서로 다른 데이터들이 균등한 빈도로 들어오는 것이 아니라 몇 개의 데이터에 쏠리는 형태로 관찰됩니다. 여기서 어떤 데이터의 frequency를 측정하고 싶으면 해시를 사용해서 계수하는 방법을 고려할 수 있습니다. 그러나 해시 테이블의 대다수의 엔트리는 작은 수만을 갖게 되고, 소수의 엔트리에 데이터가 집중되지만, 데이터가 많은 쪽에 비트 수를 맞춰야 하므로 필연적으로 메모리 낭비가 발생합니다. 또한, 모든 키를 들고 있는게 아니기 때문에 해시 충돌이 생겨도 엔트리에 그대로 업데이트를 하게 됩니다. 즉, 오차를 가질 수 밖에 없는 디자인인데 고정된 엔트리 수에 전체 데이터 카운트 수가 계속 늘어나니 충돌된 엔트리도 늘어나고 오차가 쌓이는 구조가 됩니다.

이 연구는 비트 수와 해시 엔트리를 가변적으로 만들어서 문제를 해결하였습니다. 가변 길이의 비트 수를 사용해서 메모리를 절약하고, 엔트리의 경우 데이터가 늘어날 때마다 기존의 엔트리를 모두 복사하고, 해시를 한 비트를 더 보게 해서 일관된 접근을 가능하게 했습니다. 이 과정에서 어떤 키들은 빈도의 오차가 커지는데 놀랍게도 그게 일정 수준 이하로 bound가 됩니다. 여기에 전부 담을 수는 없지만 발표가 가장 인상적이고 복잡한 내용을 이해하기 쉽도록 애니메이션을 잘 활용하여 기억에 남습니다.

두번째는 UIUC에서 나온 <Accelerating Approximate Analytical Join Queries over Unstructured Data with Statistical Guarantees>입니다. 이 또한 위 연구와 같은 목표를 가지고 있는데, 다만 대상을 semantic join으로 삼았습니다. 사실 이 논문의 연구책임자인 Daniel Kang 교수님은 이전부터 이와 같은 연구를 진행해왔고, 위에서 언급된 Model Cascade 방법론의 주요 연구들을 직접 수행한 장본인이시기도 합니다. 저는 여기서 어떤 연구 주제가 생명을 얻고 계속해서 이어지는 모습을 보았고, 특히 좋은 문제의식에 기반하여 시작된 주제는 여러 해 동안 유의미하게 다루어질 수 있다고 느꼈습니다.

세번째는 Google에서 진행된 연구로 <100x Cost & Latency Reduction: Performance Analysis of AI Query Approximation using Lightweight Proxy Models: [Experiments & Analysis]>입니다. 산업계에서 나오는 논문은 지금 현장의 관심사가 어디에 있는지 알게 해준다는 점에서 매우 귀중한데요, 이 논문을 바탕으로 소위 semantic operator가 어떤 식으로 쓰일 수 있고, 실제로 야기하는 문제가 무엇인지 알 수 있었습니다. Semantic operator는 LLM을 활용하여 비정형적 데이터에 대한 요약, 분류, 검색 등을 수행해주는 기능인데요, 아래에서 보이는 AI.IF가 좋은 예시입니다. 그런데 LLM을 부르는 것은 비용 측면에서(OLAP을 위한 방대한 데이터셋에 대해 전부 다 LLM모델을 호출하기는 어렵습니다) 그리고 지연시간 측면에서(HTAP에서 LLM모델 호출로 귀중한 시간을 사용하기는 어렵습니다) 부담이 됩니다. 따라서 가벼운 프록시 모델(비LLM)로 하여금 LLM의 출력을 학습하게 하여 LLM의 결과를 근사하자는 아이디어입니다. 구글이 내세우고 있는 Agentic Data Cloud의 비전이 실현되기 위해서는 이런 현실적인 문제가 해결되어야 한다는 생각을 했습니다.

별론이지만, 첫번째 논문의 제1저자가 발표에 참석할 수 없어서 공저자인 Shreya Shankar님이 대신 발표를 하였는데요, 2027년부터 CMU에서 조교수로 출발할 예정이라고 합니다. 데이터베이스와 Human-AI interaction을 다루는 여러 연구들을 수행해왔는데, 앞으로 어떤 모습을 보일지 더욱 기대가 됩니다. 

Vector Search

벡터 검색과 관련된 논문들은 정말 많았기 때문에 골라서 이야기하기가 쉽지 않습니다. 그래도 단순히 벡터 검색을 어떻게 빠르게 할 것이냐라는 문제에서 벗어나 여러 가지 시사점이 있었는데요, 그런 단면을 잘 보여주는 연구들을 소개합니다.

<DiskJoin: Large-scale Vector Similarity Join with SSD>은 제목이 모든 것을 말해주는 연구입니다. 벡터 간의 유사성이 어느 수준 이상인(반대로 말하면 차이가 적은) 벡터쌍들을 찾아내는 것을 vector simliarity join이라고 하는데요, 이것을 단순히 알고리즘의 문제가 아니라 캐시 관리와 작업 순서의 문제로 나눠서 해결한 것이 이 논문의 기여입니다. 문제를 풀이하는 것 이전에 문제를 정의하는 감각이 탁월한 논문이었습니다. 제가 잘 아는 분야는 아니지만 논문에 따르면 기존에 디스크 기반 벡터 유사도 조인 문제를 푸는 시스템이 없었다고 하니, 문제 설정이 좋았던 것입니다. 디스크가 제시하는 도전은 항상 비슷하면서도 새롭게 접근되는 점이 흥미롭습니다.

다음으로는 많은 관심을 받은 Best Paper Honorable Mention 수상작인 <Integrating Vector Databases across Embedding Models>입니다. 제목만 들어도 궁금증이 유발되는 것을 보니, 수상할 만한 논문이었다는 생각이 바로 듭니다. 이 논문은 이론에 기반하고 있으면서도 무작정 정답을 제시하는 것이 아니라, 하나의 가설을 제시한 뒤에 이를 평가하고, 그 가설이 성립하지 않자 다른 가설로 향하는 구조를 지니고 있습니다. 핵심 방법론은 동일한 대상을 가리키는 벡터들을 기준으로 삼아서 local isometry들을 구축하고, 이를 기준이 아닌 벡터들에 적용한다는 것입니다. 이 연구를 통해서 좋은 벡터 데이터베이스를 만들기 위해서는 결국 실제 벡터들이 존재하는 임베딩 공간의 특성에 대한 이해도 필요하지 않을까 하는 생각이 들었고, 우리가 평가 시에 주로 사용하는 벤치마크 데이터들이 과연 충분할지 다시금 고민하게 되었습니다. 

<An In-Depth Study of Filter-Agnostic Vector Search on a PostgreSQL Database System: [Experiments & Analysis]>는 앞으로 벡터 데이터베이스가 나아가야 할 방향을 제시하는 좋은 연구입니다. 아직도 많은 경우 벡터 인덱스를 독립된 라이브러리 형태로 구현하고 평가하는 경향이 있는데, 결국 실제 세계에서 벡터 인덱스가 사용되는 맥락이 충분히 고려되지 않게 됩니다. 따라서 PostgreSQL과 같은 관계형 데이터베이스 엔진 내에서 인덱스를 구현하고 평가하는 것이 중요합니다. 최근 CIDR에서도 이러한 방향의 연구가 제시된 바 있었고, Microsoft에서도 유사한 비전을 갖고 DiskANN을 발전시키고 있습니다. Google 또한 AlloyDB를 개발하면서 동일한 생각을 했던 것 같습니다. 더군다나 단순한 벡터 검색이 아니라, 다른 종류의 데이터에 대한 필터링이 개입되는 filtered vector search에 초점을 맞춘 것 또한 현실적 활용에 기반하였을 것입니다. 내용 또한 상당히 잘 쓰여진 데다가, 우리가 흔히 filter-agnostic filtered vector search는 형태상 그래프 기반 인덱스에게 유리할 것 같다는 생각을 하는 것과 달리 실제로는 clustering 기반인 ScaNN이 우수했다는 결과가 나와서 매우 흥미롭습니다. 이는 그래프 기반 인덱스(HNSW 등)이 작동하기 위해 필요한 여러 메커니즘들로 인한 “system tax”뿐 아니라, ScaNN이 sequential access pattern, SIMD, cache locality 등의 이득을 보았기 때문이라고 합니다. 사실 대외적으로 공개된 ScaNN은 in-memory 인덱스다 보니 디스크 기반 벡터 인덱스 논문들에서는 평가에서 제외해왔었는데, 디스크 기반으로 최적화해서 사용한다면 상당한 성능을 보이지 않을까 합니다.

한편, 디스크 기반 벡터 검색 중 그래프 기반 방법론들에 대한 연구들도 있었습니다. DiskANN계열의 인덱스는 메모리에 전체 벡터의 압축본을 두고 근사 거리로 탐색을 유도하며, SSD에는 원본 벡터와 그래프의 인접 리스트를 저장하는 구조입니다. 이 구조에서 성능을 지배하는 것은 결국 disk I/O입니다. 압축 벡터의 정확도는 같은 recall에 도달하기 위해 방문해야 하는 노드 수, 곧 I/O 횟수를 좌우하고, 디스크에 저장하는 데이터의 layout은 I/O 한 번에서 얻는 정보량과 생략할 수 있는 I/O를 결정하기 때문입니다. 이 두 축을 각각 다룬 논문이 나란히 발표되어 함께 소개합니다. 둘 다 CUHK James Cheng 교수님 연구실에서 나온 논문입니다.

두 번째는 메모리에 올리는 압축 벡터를 다룬 <SAQ: Pushing the Limits of Vector Quantization through Code Adjustment and Dimension Segmentation>입니다. 현재 양자화 기법의 SOTA인 RaBitQ 계열은 양자화된 벡터의 크기가 1이어야 한다는 제약 때문에 차원들을 독립적으로 다룰 수 없고, 정확도를 높이려고 비트 수를 늘리면 인코딩 비용이 급격히 커져 대규모 인덱싱에서 병목이 됩니다. 이 논문은 거리 추정식에서 벡터의 scaling이 추정값에 영향을 주지 않고 원본 벡터와의 방향만 중요하다는 점에 주목해, 이 제약이 애초에 불필요함을 보입니다. 제약을 걷어내면 각 차원을 독립적으로 양자화한 뒤 방향이 맞도록 값을 보정하는 것만으로 충분해져 인코딩이 훨씬 단순해집니다. 여기에 PCA로 정보를 앞쪽 차원에 모아 정보가 많은 차원에 더 많은 비트를 주는 기법을 더해 같은 압축률에서 정확도도 끌어올립니다. 당연하게 전제되던 제약을 추정식의 성질에서 다시 해석해 걷어냈다는 점이 인상 깊었던 연구입니다.