NeuroSketch：基于神经网络的范围聚合查询快速近似评估
数据库
2023-04-11 v2
摘要
范围聚合查询（RAQs）是许多现实世界应用的重要组成部分，这类应用通常希望获得查询的快速近似答案。近期的研究探讨了使用机器学习（ML）模型来回答 RAQs，即学习数据的模型以回答查询。然而，对于基于 ML 的方法为何以及何时表现良好，尚缺乏理论理解。此外，由于 ML 方法对数据建模，它们未能利用任何查询特定信息来在实践中提升性能。本文中，我们聚焦于对“查询”而非数据建模，并训练神经网络来学习查询答案。这一关注点的转变使我们能够从理论上研究我们的 ML 方法，为神经网络在回答 RAQs 时提供依赖分布与查询的误差界。我们通过开发 NeuroSketch（一个用于实践中回答 RAQs 的神经网络框架）证实了理论结果。在真实世界、TPC 基准和合成数据集上的广泛实验研究表明，NeuroSketch 回答 RAQs 的速度比最先进水平快数个数量级且精度更高。
引用
@article{arxiv.2211.10832,
title = {NeuroSketch: Fast and Approximate Evaluation of Range Aggregate Queries with Neural Networks},
author = {Sepanta Zeighami and Cyrus Shahabi and Vatsal Sharan},
journal= {arXiv preprint arXiv:2211.10832},
year = {2023}
}
备注
Conference paper in SIGMOD 2023. arXiv admin note: text overlap with arXiv:2107.04922