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

• Differentially Private Learned Indexes [4.290415158471898]
  我々は、暗号化されたデータベース上の述語クエリ、信頼された実行環境(TEE)によって確保されたクエリに効率よく応答する問題に対処する。 述語クエリを高速化する現代のデータベースにおける一般的な戦略は、インデックスの使用である。 残念ながら、強力なデータ依存リークのため、インデックスは暗号化されたデータベースに直接適用できない。 本研究では,よりコンパクトなDPインデックスを構築するために,機械学習モデルをインデックス構造として再利用するトレンド手法である学習指標を活用することを提案する。
  論文  参考訳（メタデータ） (2024-10-28T16:04:58Z)
• Relational Database Augmented Large Language Model [59.38841050766026]
  大規模言語モデル(LLM)は多くの自然言語処理(NLP)タスクに優れる。 彼らは、トレーニングや教師付き微調整プロセスを通じてのみ、新しい知識を取り入れることができる。 この正確で最新のプライベート情報は、通常リレーショナルデータベースに格納される。
  論文  参考訳（メタデータ） (2024-07-21T06:19:10Z)
• RB-SQL: A Retrieval-based LLM Framework for Text-to-SQL [48.516004807486745]
  文脈内学習を伴う大規模言語モデル(LLM)は、テキスト・ツー・タスクの性能を大幅に改善した。 In-context prompt Engineering のための新しい検索ベースフレームワーク RB- を提案する。 実験により,我々のモデルは,公開データセットのBIRDとSpiderの競合ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-07-11T08:19:58Z)
• Database-Augmented Query Representation for Information Retrieval [59.57065228857247]
  データベース拡張クエリ表現(DAQu)と呼ばれる新しい検索フレームワークを提案する。 DAQuは、元のクエリを複数のテーブルにまたがるさまざまな(クエリ関連の)メタデータで拡張する。 リレーショナルデータベースのメタデータを組み込む様々な検索シナリオにおいてDAQuを検証する。
  論文  参考訳（メタデータ） (2024-06-23T05:02:21Z)
• KnobTree: Intelligent Database Parameter Configuration via Explainable Reinforcement Learning [9.94061240360141]
  本稿では,データベースパラメータ設定の最適化のために設計された対話型フレームワークであるKnobTreeを提案する。 Knob と Gbase8s データベースで実施された実験は、このモデルの異常な透明性と解釈可能性を証明するものである。 当社のアプローチは,スループットやレイテンシ,処理時間といった面において,既存のRLベースのチューニングアルゴリズムよりも若干優れています。
  論文  参考訳（メタデータ） (2024-06-21T11:40:55Z)
• LIST: Learning to Index Spatio-Textual Data for Embedding based Spatial Keyword Queries [53.843367588870585]
  リスト K-kNN 空間キーワードクエリ (TkQ) は、空間的およびテキスト的関連性の両方を考慮したランキング関数に基づくオブジェクトのリストを返す。 効率的かつ効率的な指標、すなわち高品質なラベルの欠如とバランスの取れない結果を構築する上で、大きな課題が2つある。 この2つの課題に対処する新しい擬似ラベル生成手法を開発した。
  論文  参考訳（メタデータ） (2024-03-12T05:32:33Z)
• 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)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• 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)
• 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)

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。