DeepSampling：基于预测误差与响应时间的选择性估计
数据库
2020-08-18 v1 机器学习
摘要
空间数据的快速增长促使研究界寻找对海量数据交互式查询的高效处理技术。近似查询处理（AQP）是最突出的技术，可基于随机样本为即席查询提供实时答案。遗憾的是，由于样本量、查询参数、数据分布与结果精度之间关系复杂，现有 AQP 方法在给出答案时无法提供任何精度度量。本文提出 DeepSampling，一种基于深度学习的模型，可在给定样本量、输入分布与查询参数的情况下，预测基于样本的 AQP 算法（特别是选择性估计）的精度。该模型也可反向使用，以测算产生期望精度所需的样本量。DeepSampling 是首个为现有空间数据库提供可靠工具以控制 AQP 精度的系统。
引用
@article{arxiv.2008.06831,
title = {DeepSampling: Selectivity Estimation with Predicted Error and Response Time},
author = {Tin Vu and Ahmed Eldawy},
journal= {arXiv preprint arXiv:2008.06831},
year = {2020}
}
备注
9 pages, published in DeepSpatial 2020