随机 SketchRefine：在不确定性下扩展至数百万元组的数据库决策
数据库
2025-04-03 v2
摘要
在不确定性下进行决策通常需要选择包装或元组的集合，这些集合共同优化预期结果，同时限制风险。处理随机软件包查询(SPQs)涉及对不确定数据的非常大的优化问题。蒙特卡罗方法创建大量情景或样本随机属性的所有元组的实现，并生成跨这些情景的最优目标值的软件包。 accurately approximation 所需的情景数量——因此使用先前方法时的优化问题的大小——随数据中的方差而增加，优化问题的搜索空间随关系中元组数量的指数增长。现有求解器在处理包含高方差随机属性的大型关系上的 SPQs 需要数小时。除了丰富 SPaQL 语言以捕捉更广泛的风险规范外，我们对可扩展的 SPQ 处理做出了两个根本性贡献：首先，我们提出了风险约束线性化(RCL)，将 SPQs 转换为不依赖于用于 SPQ 处理所需情景数量的整数线性规划(ILPs)。求解这些 ILPs 我们得到可行且接近最优的软件包。其次，我们提出了随机 SketchRefine，一个将大型随机优化问题分解为涉及较小子集元组的子问题的分治框架。我们的实验表明，RCL 和随机 SketchRefine 共同作用，比当前最佳方法快了几个数量级。
引用
@article{arxiv.2411.17915,
title = {Stochastic SketchRefine: Scaling In-Database Decision-Making under Uncertainty to Millions of Tuples},
author = {Riddho R. Haque and Anh L. Mai and Matteo Brucato and Azza Abouzied and Peter J. Haas and Alexandra Meliou},
journal= {arXiv preprint arXiv:2411.17915},
year = {2025}
}