应对模式变更：基于深度学习的非受管数据集成
数据库
2020-10-16 v1 机器学习
摘要
在人工智能时代，数据为王。然而数据集成常是一项难以自动化的费力任务。模式变更是端到端数据集成流程自动化的一个重大障碍。尽管存在诸如查询发现与模式修改语言等机制来处理该问题，这些方法仅在模式由数据库维护的假设下才有效。然而，我们观察到异构数据与开放数据中多样化的模式变更，其中大多数未定义模式。在本工作中，我们提出使用深度学习通过超级单元表示及对训练数据自动注入扰动来自动处理模式变更，使模型对模式变更具有鲁棒性。我们的实验结果表明，所提方法对两个真实世界数据集成场景有效：冠状病毒数据集成与机器日志集成。
引用
@article{arxiv.2010.07586,
title = {Survive the Schema Changes: Integration of Unmanaged Data Using Deep Learning},
author = {Zijie Wang and Lixi Zhou and Amitabh Das and Valay Dave and Zhanpeng Jin and Jia Zou},
journal= {arXiv preprint arXiv:2010.07586},
year = {2020}
}
备注
In submission