相似选择的单调基数估计：一种深度学习方法
数据库
2021-09-27 v4 机器学习
机器学习
摘要
由于捕捉底层数据分布的出色能力，深度学习技术近来被用于一系列传统数据库问题。本文研究利用深度学习进行相似选择基数估计的可能性。准确高效地回答该问题对许多数据管理应用（尤其是查询优化）至关重要。此外，在某些应用中，估计的基数应当一致且可解释。因此，相对于查询阈值的单调估计更受青睐。我们提出一种新颖且通用的方法，可应用于任意数据类型与距离函数。我们的方法由特征提取模型与回归模型组成。特征提取模型将原始数据与阈值变换至汉明空间，其中基于深度学习的回归模型利用基数相对于阈值的增量性质以实现准确性与单调性。我们开发了契合模型的训练策略以及快速估计技术。我们还讨论了如何处理更新。我们通过实验证明了方法的准确性与高效性，并展示其如何提升查询优化器的性能。
引用
@article{arxiv.2002.06442,
title = {Monotonic Cardinality Estimation of Similarity Selection: A Deep Learning Approach},
author = {Yaoshu Wang and Chuan Xiao and Jianbin Qin and Xin Cao and Yifang Sun and Wei Wang and Makoto Onizuka},
journal= {arXiv preprint arXiv:2002.06442},
year = {2021}
}