論文の概要: Automated Database Indexing using Model-free Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2007.14244v1
- Date: Sat, 25 Jul 2020 14:36:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 01:18:12.263400
- Title: Automated Database Indexing using Model-free Reinforcement Learning
- Title(参考訳): モデルレス強化学習を用いた自動データベースインデックス作成
- Authors: Gabriel Paludo Licks and Felipe Meneguzzi
- Abstract要約: 我々は、強化学習を用いて、データベースの生涯を通してデータをインデックス化することでクエリを最適化することで、データベースの自動インデックス化問題を解決するアーキテクチャを開発する。
実験により,本アーキテクチャは強化学習と遺伝的アルゴリズムの関連研究よりも優れた性能を示し,ほぼ最適インデックス構成を維持し,大規模データベースへの効率的なスケーリングを実現した。
- 参考スコア(独自算出の注目度): 19.64574177805823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Configuring databases for efficient querying is a complex task, often carried
out by a database administrator. Solving the problem of building indexes that
truly optimize database access requires a substantial amount of database and
domain knowledge, the lack of which often results in wasted space and memory
for irrelevant indexes, possibly jeopardizing database performance for querying
and certainly degrading performance for updating. We develop an architecture to
solve the problem of automatically indexing a database by using reinforcement
learning to optimize queries by indexing data throughout the lifetime of a
database. In our experimental evaluation, our architecture shows superior
performance compared to related work on reinforcement learning and genetic
algorithms, maintaining near-optimal index configurations and efficiently
scaling to large databases.
- Abstract(参考訳): 効率的なクエリのためのデータベースの設定は複雑な作業であり、しばしばデータベース管理者によって実行される。
データベースアクセスを本当に最適化するインデックスを構築するという問題を解決するには、かなりの量のデータベースとドメインの知識が必要です。
データベースの生涯を通してデータをインデックス化することでクエリを最適化する強化学習を用いて,データベースの自動インデックス化の問題を解決するアーキテクチャを開発した。
実験評価では,強化学習や遺伝的アルゴリズム,ほぼ最適なインデックス構成の維持,大規模データベースへの効率的なスケーリングなど,関連する作業と比較して優れた性能を示す。
関連論文リスト
- Persona-DB: Efficient Large Language Model Personalization for Response
Prediction with Collaborative Data Refinement [82.56964750522161]
本稿では,タスクコンテキスト間の一般化を改善するため,階層的な構築プロセスからなるシンプルなフレームワークであるPersona-DBを紹介する。
応答予測のタスクでは,Persona-DBは,検索サイズを大幅に削減した精度を維持する上で,優れた効率性を示す。
我々の実験は、ユーザーが極めて少ないデータを持つ場合、コールドスタートシナリオで15%以上の顕著な改善が示されていることも示している。
論文 参考訳(メタデータ) (2024-02-16T20:20:43Z) - Computational Complexity of Preferred Subset Repairs on Data-Graphs [2.4186604326116874]
本稿では,標準サブセット修復セマンティクスに基づいて,重み,マルチセット,セットベースの優先度レベルを組み込んだ選好基準を提案する。
筆者らは最も一般的な補修作業について検討し、選好基準が適用できない場合と同様の計算複雑性を維持可能であることを示した。
論文 参考訳(メタデータ) (2024-02-14T15:51:55Z) - LLM As DBA [25.92711955279298]
大規模言語モデル(LLM)は、価値あるドキュメントを理解し、合理的な回答を生成する大きな可能性を示している。
本稿では,文書やツールからのデータベース保守知識の検出,根本原因分析のための思考のツリー,および (iii)複数のLCM間の協調診断を含む,データベース保守のための革命的LLM中心のフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-10T10:12:43Z) - WISK: A Workload-aware Learned Index for Spatial Keyword Queries [46.96314606580924]
本稿では,空間的キーワードクエリの学習指標であるWISKを提案する。
We show that WISK achieve up to 8x speedup in querying time with comparable storage overhead。
論文 参考訳(メタデータ) (2023-02-28T03:45:25Z) - Multi-agent Databases via Independent Learning [11.05491559831151]
学習クエリスケジューラと学習クエリを組み込んだ概念実証システムであるMADB(Multi-Agent DB)を紹介する。
予備的な結果は、MADBが学習したコンポーネントの非協調的な統合よりも優れていることを示している。
論文 参考訳(メタデータ) (2022-05-28T03:47:43Z) - Semi-Structured Query Grounding for Document-Oriented Databases with
Deep Retrieval and Its Application to Receipt and POI Matching [23.52046767195031]
半構造化データにおけるクエリグラウンドリング問題に対する埋め込み型検索の実践的課題に対処することを目的としている。
クエリとデータベースの両方のエントリの埋め込みと検索において,モジュールの最も効果的な組み合わせを見つけるために,広範な実験を行う。
提案モデルでは,従来の手動パターンモデルよりも大幅に優れ,開発コストやメンテナンスコストの低減が図られている。
論文 参考訳(メタデータ) (2022-02-23T05:32:34Z) - Baihe: SysML Framework for AI-driven Databases [33.47034563589278]
Baiheを使用することで、既存のリレーショナルデータベースシステムは、クエリ最適化やその他の一般的なタスクのために学習済みのコンポーネントを使用するように再構成することができる。
Baiheのハイレベルアーキテクチャは、コアシステムからの分離、最小限のサードパーティ依存性、ロバスト性、安定性、フォールトトレランスといった要件に基づいている。
論文 参考訳(メタデータ) (2021-12-29T09:00:07Z) - AdaXpert: Adapting Neural Architecture for Growing Data [63.30393509048505]
実世界のアプリケーションでは、データボリュームとクラス数が動的に増加する可能性があるため、データが増大することが多い。
データボリュームの増加やクラスの数を考えると、期待できるパフォーマンスを得るためには、ニューラルネットワークのキャパシティを瞬時に調整する必要がある。
既存のメソッドは、データの増大する性質を無視したり、特定のデータセットの最適なアーキテクチャを独立して検索しようとする。
論文 参考訳(メタデータ) (2021-07-01T07:22:05Z) - AutoRC: Improving BERT Based Relation Classification Models via
Architecture Search [50.349407334562045]
BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。
最適なアーキテクチャとは何かという合意は得られない。
BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
論文 参考訳(メタデータ) (2020-09-22T16:55:49Z) - The Case for Learned Spatial Indexes [62.88514422115702]
我々は、空間範囲の問合せに答えるために、最先端の学習した多次元インデックス構造(すなわちFlood)から提案した手法を用いる。
i) パーティション内の機械学習検索は、1次元でフィルタリングを使用する場合の2進探索よりも11.79%速く、39.51%高速であることを示す。
また、2次元でフィルタする最も近い競合相手の1.23倍から1.83倍の速さで機械学習インデックスを精査する。
論文 参考訳(メタデータ) (2020-08-24T12:09:55Z) - MetaPerturb: Transferable Regularizer for Heterogeneous Tasks and
Architectures [61.73533544385352]
本稿ではメタパーターブ(MetaPerturb)というトランスファー可能な摂動モデルを提案する。
MetaPerturbは、レイヤやタスクにまたがる多様な分散を訓練したセット関数であるため、異種タスクやアーキテクチャを一般化することができる。
論文 参考訳(メタデータ) (2020-06-13T02:54:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。