論文の概要: Database Workload Characterization with Query Plan Encoders
- arxiv url: http://arxiv.org/abs/2105.12287v1
- Date: Wed, 26 May 2021 01:17:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 03:00:11.076116
- Title: Database Workload Characterization with Query Plan Encoders
- Title（参考訳）: クエリプランエンコーダを用いたデータベースワークロードのキャラクタリゼーション
- Authors: Debjyoti Paul, Jie Cao, Feifei Li, Vivek Srikumar
- Abstract要約: 本稿では,クエリプランから重要な特徴とその相関関係を学習するクエリプランエンコーダを提案する。
事前学習したエンコーダは,クエリのエム構造とエム計算性能を独立にキャプチャする。
- 参考スコア（独自算出の注目度）: 32.941042348628606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smart databases are adopting artificial intelligence (AI) technologies to
achieve {\em instance optimality}, and in the future, databases will come with
prepackaged AI models within their core components. The reason is that every
database runs on different workloads, demands specific resources, and settings
to achieve optimal performance. It prompts the necessity to understand
workloads running in the system along with their features comprehensively,
which we dub as workload characterization.
To address this workload characterization problem, we propose our query plan
encoders that learn essential features and their correlations from query plans.
Our pretrained encoders capture the {\em structural} and the {\em computational
performance} of queries independently. We show that our pretrained encoders are
adaptable to workloads that expedite the transfer learning process. We
performed independent assessments of structural encoder and performance
encoders with multiple downstream tasks. For the overall evaluation of our
query plan encoders, we architect two downstream tasks (i) query latency
prediction and (ii) query classification. These tasks show the importance of
feature-based workload characterization. We also performed extensive
experiments on individual encoders to verify the effectiveness of
representation learning and domain adaptability.
- Abstract（参考訳）: スマートデータベースは人工知能(AI)技術を採用して、.emインスタンスの最適性を実現している。
理由は、すべてのデータベースが異なるワークロードで動作し、最適なパフォーマンスを達成するために特定のリソースと設定を要求するからです。
これにより、システム内で実行されるワークロードとその機能を包括的に理解する必要性が高まります。
この作業負荷特性問題に対処するため,クエリ計画から本質的な特徴と相関関係を学習するクエリプランエンコーダを提案する。
事前学習したエンコーダはクエリの「em構造」と「em計算性能」を独立にキャプチャします。
事前訓練されたエンコーダは、転送学習プロセスを高速化するワークロードに適応可能であることを示す。
複数の下流タスクを持つ構造エンコーダと性能エンコーダの独立評価を行った。
クエリプランエンコーダの全体的な評価のために,2つのダウンストリームタスク (i) クエリレイテンシ予測と (ii) クエリ分類を設計した。
これらのタスクは特徴に基づくワークロードの特徴付けの重要性を示している。
また,表現学習とドメイン適応性の有効性を検証するため,個々のエンコーダについて広範な実験を行った。
関連論文リスト
- Sibyl: Forecasting Time-Evolving Query Workloads [9.16115447503004]
データベースシステムは、しばしば、ワークロードベースのパフォーマンスチューニングを実行するために、過去のクエリトレースに依存する。
実運用ワークロードは、時間的進化であり、将来のワークロードを最適化する上で、過去のクエリを非効率にする。
SIBYLはエンド・ツー・エンドの機械学習ベースのフレームワークで、将来的なクエリの順序を正確に予測する。
論文 参考訳（メタデータ） (2024-01-08T08:11:32Z) - Improving Text Matching in E-Commerce Search with A Rationalizable,
Intervenable and Fast Entity-Based Relevance Model [78.80174696043021]
エンティティベース関連モデル(EBRM)と呼ばれる新しいモデルを提案する。
この分解により、高精度にクロスエンコーダQE関連モジュールを使用できる。
また、ユーザログから自動生成されたQEデータによるQEモジュールの事前トレーニングにより、全体的なパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2023-07-01T15:44:53Z) - A Unified Active Learning Framework for Annotating Graph Data with
Application to Software Source Code Performance Prediction [4.572330678291241]
ソフトウェアの性能予測を専門とする一貫したアクティブラーニングフレームワークを開発した。
能動的・受動的学習に異なるレベルの情報を用いることが与える影響について検討する。
我々のアプローチは、異なるソフトウェアパフォーマンス予測のためのAIモデルへの投資を改善することを目的としています。
論文 参考訳（メタデータ） (2023-04-06T14:00:48Z) - MASTER: Multi-task Pre-trained Bottlenecked Masked Autoencoders are
Better Dense Retrievers [140.0479479231558]
本研究では,様々な事前学習タスクをマルチタスク事前学習モデル(MASTER)に統合することを目的とする。
MASTERは共有エンコーダのマルチデコーダアーキテクチャを利用して、タスク全体にわたる豊富なセマンティック情報を高密度ベクトルに圧縮する表現ボトルネックを構築することができる。
論文 参考訳（メタデータ） (2022-12-15T13:57:07Z) - Learning Action-Effect Dynamics for Hypothetical Vision-Language
Reasoning Task [50.72283841720014]
本研究では,行動の効果に関する推論を改善する新しい学習戦略を提案する。
本稿では,提案手法の有効性を実証し,性能,データ効率,一般化能力の観点から,従来のベースラインに対する優位性を論じる。
論文 参考訳（メタデータ） (2022-12-07T05:41:58Z) - Interpretable by Design: Learning Predictors by Composing Interpretable
Queries [8.054701719767293]
機械学習アルゴリズムは設計によって解釈されるべきである。
正確な予測に必要なクエリの数を最小限に抑える。
視覚とNLPタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2022-07-03T02:40:34Z) - Self-Supervised Visual Representation Learning Using Lightweight
Architectures [0.0]
自己教師付き学習では、マシンによってアノテーションが生成されるデータセットを使用して、プレテキストタスクを解決するためにモデルが訓練される。
我々は、画像データから特徴を抽出する最も顕著な前文タスクを批判的に検討する。
我々は、他の全てのパラメータを均一に保ちながら、様々な自己監督技術の性能について研究する。
論文 参考訳（メタデータ） (2021-10-21T14:13:10Z) - Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。
我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
論文 参考訳（メタデータ） (2020-10-10T14:03:20Z) - KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
知識集約型言語タスク(KILT)のベンチマークを示す。
KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。
共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
論文 参考訳（メタデータ） (2020-09-04T15:32:19Z) - How Useful is Self-Supervised Pretraining for Visual Tasks? [133.1984299177874]
我々は、総合的な合成データセットと下流タスクにまたがる様々な自己教師付きアルゴリズムを評価する。
我々の実験は、利用可能なラベルの数が増えるにつれて、セルフスーパービジョンの有用性がどう変化するかについての洞察を提供する。
論文 参考訳（メタデータ） (2020-03-31T16:03:22Z)
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。