論文の概要: Multi-agent Databases via Independent Learning
- arxiv url: http://arxiv.org/abs/2205.14323v1
- Date: Sat, 28 May 2022 03:47:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-04 22:55:33.058111
- Title: Multi-agent Databases via Independent Learning
- Title（参考訳）: 独立学習によるマルチエージェントデータベース
- Authors: Chi Zhang, Olga Papaemmanouil, Josiah Hanna
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.05491559831151
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning is rapidly being used in database research to improve the
effectiveness of numerous tasks included but not limited to query optimization,
workload scheduling, physical design, etc. essential database components, such
as the optimizer, scheduler, and physical designer. Currently, the research
focus has been on replacing a single database component responsible for one
task by its learning-based counterpart. However, query performance is not
simply determined by the performance of a single component, but by the
cooperation of multiple ones. As such, learned based database components need
to collaborate during both training and execution in order to develop policies
that meet end performance goals. Thus, the paper attempts to address the
question "Is it possible to design a database consisting of various learned
components that cooperatively work to improve end-to-end query latency?".
To answer this question, we introduce MADB (Multi-Agent DB), a
proof-of-concept system that incorporates a learned query scheduler and a
learned query optimizer. MADB leverages a cooperative multi-agent reinforcement
learning approach that allows the two components to exchange the context of
their decisions with each other and collaboratively work towards reducing the
query latency. Preliminary results demonstrate that MADB can outperform the
non-cooperative integration of learned components.
- Abstract（参考訳）: 機械学習はデータベース研究において、クエリ最適化やワークロードスケジューリング、物理設計など、オプティマイザ、スケジューラ、物理デザイナといった重要なデータベースコンポーネントに限らず、多数のタスクの有効性を改善するために急速に使用されている。
現在研究対象となっているのは、ひとつのタスクに責任を持つ1つのデータベースコンポーネントを、学習ベースで置き換えることだ。
しかし、クエリのパフォーマンスは単一のコンポーネントのパフォーマンスによってではなく、複数のコンポーネントの協調によって決定される。
そのため、学習ベースのデータベースコンポーネントは、トレーニングと実行の両方で協調して、最終的なパフォーマンス目標を満たすポリシーを開発する必要がある。
そこで本論文では,“エンドツーエンドのクエリ待ち時間を改善するために協調的に動作する,さまざまな学習コンポーネントからなるデータベースを設計することは可能か?
この質問に答えるために、我々は、学習クエリスケジューラと学習クエリオプティマイザ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。
MADBは協調的なマルチエージェント強化学習アプローチを利用して,2つのコンポーネントが意思決定のコンテキストを相互に交換し,クエリレイテンシの低減に協力的に取り組むことを可能にする。
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。
関連論文リスト
- Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning [51.54046200512198]
Retrieval-augmented Generation (RAG) は、外部の現在の知識を大規模言語モデルに組み込むために広く利用されている。
標準的なRAGパイプラインは、クエリ書き換え、文書検索、文書フィルタリング、回答生成など、いくつかのコンポーネントから構成される。
これらの課題を克服するため,RAGパイプラインを多エージェント協調作業として,各コンポーネントをRLエージェントとして扱うことを提案する。
論文 参考訳（メタデータ） (2025-01-25T14:24:50Z) - Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
現実世界のシステムは多種多様なツールを組み込んでおり、全てのツールを大規模言語モデルに入力することは不可能である。
既存のツール検索手法は主にユーザクエリとツール記述間のセマンティックマッチングに焦点を当てている。
我々は,ユーザクエリとツール記述のセマンティックな類似性だけでなく,ツールの協調的情報も考慮した,新しいモデル診断型協調学習型ツール検索手法であるCOLTを提案する。
論文 参考訳（メタデータ） (2024-05-25T06:41:23Z) - On Evaluating the Integration of Reasoning and Action in LLM Agents with
Database Question Answering [25.57202500348071]
本研究では、大規模言語モデルがデータベースとどのように相互作用するかを評価するために設計された、新しい長文データベース質問応答データセットを提案する。
このタスクでは、LLMが戦略的に複数のクエリを生成し、データベースから十分なデータを取得し、取得したコンテキストを推論し、それらを総合的な分析的な物語に合成する必要がある。
本稿では2つのインタラクション戦略を提案し評価し、インタラクション内の個々のステージを詳細に分析する。
論文 参考訳（メタデータ） (2023-11-16T09:55:07Z) - 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) - BitE : Accelerating Learned Query Optimization in a Mixed-Workload
Environment [0.36700088931938835]
BitEは、データベース統計とメタデータを使用して、学習したクエリをチューニングしてパフォーマンスを向上させる、新しいアンサンブル学習モデルである。
我々のモデルは従来の手法に比べて19.6%改善されたクエリと15.8%改善されたクエリを実現している。
論文 参考訳（メタデータ） (2023-06-01T16:05:33Z) - A Unified and Efficient Coordinating Framework for Autonomous DBMS
Tuning [34.85351481228439]
既存のMLベースのエージェントを効率的に活用するための統合コーディネートフレームワークを提案する。
機械学習ベースのエージェントを効果的に利用し、ワークロードの実行時間に1.414.1Xのスピードアップでより良い設定を実現できることを示す。
論文 参考訳（メタデータ） (2023-03-10T05:27:23Z) - Retrieval as Attention: End-to-end Learning of Retrieval and Reading
within a Single Transformer [80.50327229467993]
学習した1つのモデルが競合検索とQA性能の両方を達成可能であることを示す。
エンドツーエンド適応は、教師なし設定と教師なし設定の両方において、ドメイン外のデータセットのパフォーマンスを大幅に向上させることを示す。
論文 参考訳（メタデータ） (2022-12-05T04:51:21Z) - Fast Inference and Transfer of Compositional Task Structures for
Few-shot Task Generalization [101.72755769194677]
本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。
我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。
提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
論文 参考訳（メタデータ） (2022-05-25T10:44:25Z) - Database Workload Characterization with Query Plan Encoders [32.941042348628606]
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。
論文 参考訳（メタデータ） (2021-05-26T01:17:27Z) - A Unified Transferable Model for ML-Enhanced DBMS [53.46830627879208]
本稿では,タスク間で伝達可能な知識をキャプチャするマルチタスクトレーニングプロシージャと,db間でのメタ知識を蒸留するプリトレーニングファインチューンプロシージャを用いた統一モデルmtmlfを提案する。
このパラダイムはクラウドDBサービスに適しており、将来的にMLの使用方法に革命をもたらす可能性があると考えています。
論文 参考訳（メタデータ） (2021-05-06T03:31:32Z) - 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。