論文の概要: OntoTune: Ontology-Driven Learning for Query Optimization with Convolutional Models

• arxiv url: http://arxiv.org/abs/2511.06780v1
• Date: Mon, 10 Nov 2025 07:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.129198
• Title: OntoTune: Ontology-Driven Learning for Query Optimization with Convolutional Models
• Title（参考訳）: OntoTune: 畳み込みモデルによるクエリ最適化のためのオントロジー駆動学習
• Authors: Songhui Yue, Yang Shao, Sean Hayes,
• Abstract要約: オントロジーは構造化され、情報に富んだ知識表現である。 本稿では,クエリ最適化のための学習を強化するオントロジーベースのプラットフォームであるOntoTuneを提案する。 ケーススタディでは、OntoTuneのデフォルト駆動型学習性能が、データベースシステムクエリ実行と比較してどのように向上するかを示している。
• 参考スコア（独自算出の注目度）: 0.9877005520976848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Query optimization has been studied using machine learning, reinforcement learning, and, more recently, graph-based convolutional networks. Ontology, as a structured, information-rich knowledge representation, can provide context, particularly in learning problems. This paper presents OntoTune, an ontology-based platform for enhancing learning for query optimization. By connecting SQL queries, database metadata, and statistics, the ontology developed in this research is promising in capturing relationships and important determinants of query performance. This research also develops a method to embed ontologies while preserving as much of the relationships and key information as possible, before feeding it into learning algorithms such as tree-based and graph-based convolutional networks. A case study shows how OntoTune's ontology-driven learning delivers performance gains compared with database system default query execution.
• Abstract（参考訳）: クエリ最適化は、機械学習、強化学習、さらに最近ではグラフベースの畳み込みネットワークを用いて研究されている。 オントロジーは構造化され情報に富んだ知識表現であり、特に学習問題において文脈を提供することができる。 本稿では,クエリ最適化のための学習を強化するオントロジーベースのプラットフォームであるOntoTuneを提案する。 この研究で開発されたオントロジーは、SQLクエリ、データベースメタデータ、統計を接続することで、クエリパフォーマンスの重要な決定要因と関係を捉えることを約束している。 本研究は,ツリーベースやグラフベースの畳み込みネットワークなどの学習アルゴリズムに入力する前に,オントロジーを可能な限り多くの関係や重要な情報を保存しながら組み込む手法も開発している。 OntoTuneのオントロジー駆動学習(ontology-driven learning)は、データベースシステムのデフォルトクエリ実行と比較してパフォーマンスが向上することを示すケーススタディである。

関連論文リスト

• Database Views as Explanations for Relational Deep Learning [7.126902744514975]
  本稿では,リレーショナルデータベース上での機械学習モデルを記述するための新しいフレームワークを提案する。 我々は,全データベースの空間を網羅的に探索することを避けるアルゴリズムを開発した。 この手法はRelBenchコレクションに関する広範な実証研究を通じて評価される。
  論文  参考訳（メタデータ） (2025-09-11T14:11:48Z)
• Advanced RAG Models with Graph Structures: Optimizing Complex Knowledge Reasoning and Text Generation [7.3491970177535]
  本研究では,グラフニューラルネットワーク(GNN)を組み合わせたグラフ構造データ処理手法を提案する。 この結果から,本論文で提案するグラフベースRAGモデルは,品質,知識の整合性,推論能力の点で従来の世代モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T00:23:55Z)
• Homological Convolutional Neural Networks [4.615338063719135]
  本稿では,トポロジ的に制約されたネットワーク表現を通じて,データ構造構造を利用した新しいディープラーニングアーキテクチャを提案する。 5つの古典的な機械学習モデルと3つのディープラーニングモデルに対して、18のベンチマークデータセットでモデルをテストします。
  論文  参考訳（メタデータ） (2023-08-26T08:48:51Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• An Investigation Between Schema Linking and Text-to-SQL Performance [21.524953580249395]
  近年のニューラルアプローチは優れたパフォーマンスをもたらすが、将来の発展を妨げるのが難しいモデルである。 本研究の目的は,ニューラルネットワークの解釈に対するより良いアプローチを提供することである。
  論文  参考訳（メタデータ） (2021-02-03T02:50:10Z)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。