論文の概要: MultiCard: Multiple Attribute Cardinality Estimation via Deep Learning
- arxiv url: http://arxiv.org/abs/2610.27019v1
- Date: Mon, 19 Oct 2026 13:28:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.421045
- Title: MultiCard: Multiple Attribute Cardinality Estimation via Deep Learning
- Title（参考訳）: MultiCard: 深層学習による複数属性心電図推定
- Abstract要約: MultiCardは、LIKE述語と数値フィルタを単一のエンドツーエンドアーキテクチャに統一する学習された濃度推定器である。
我々は、MultiCardが、最先端の手法と比較して、すべてのデータセットで最高の、または最も近いQエラーを達成することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardinality estimation is essential for query optimization, but most existing learned estimators focus on a single predicate type, such as string LIKE clauses or numerical range filters. In practice, analytical workloads often combine both types, while the accuracy of string estimators tends to decrease with longer patterns. We introduce MultiCard, a comprehensive learned cardinality estimator that unifies LIKE predicates and numerical filters within a single end-to-end architecture. By combining a Transformer for long-range sparse patterns with an LSTM for short, frequent patterns, MultiCard achieves robust pattern modeling. In parallel, a numerical encoder integrates catalog histograms and structural predicate features, enabling the model to dynamically assess histogram estimation accuracy across different operators and data skew conditions. A final Transformer layer captures interactions among heterogeneous predicates before a multilayer perceptron predicts query cardinalities. We also introduce UPCI, a workload generator that produces length-balanced LIKE patterns, multi-column numerical predicates, and exact cardinality labels for training and evaluation. Experiments on five real-world datasets show that, for string-only workloads, MultiCard achieves the best or near-best Q-error across all datasets compared with state-of-the-art methods. For mixed multi-attribute queries, MultiCard reduces PostgreSQL's mean Q-error by up to 16 times while maintaining an inference latency below 5 ms.
- Abstract（参考訳）: カーディナリティ推定はクエリ最適化に不可欠であるが、既存の学習推定器の多くは文字列LIKE節や数値レンジフィルタのような単一の述語型に重点を置いている。
実際には、解析的なワークロードは両方のタイプを組み合わせることが多いが、文字列推定器の精度は長いパターンで低下する傾向にある。
我々は、LIKE述語と数値フィルタを1つのエンドツーエンドアーキテクチャで統合する総合学習基数推定器であるMultiCardを紹介する。
長距離スパースパターンのためのTransformerと、短時間かつ頻繁なパターンのためのLSTMを組み合わせることで、MultiCardは堅牢なパターンモデリングを実現する。
並行して、数値エンコーダはカタログヒストグラムと構造述語の特徴を統合し、異なる演算子とデータスキュー条件間でヒストグラム推定精度を動的に評価することができる。
最終トランスフォーマー層は、多層パーセプトロンがクエリの濃度を予測する前に、不均一な述語間の相互作用をキャプチャする。
また、UPCI、長さバランスのLIKEパターンを生成するワークロードジェネレータ、複数カラムの数値述語、トレーニングと評価のための正確な濃度ラベルも導入する。
5つの実世界のデータセットの実験によると、文字列のみのワークロードでは、MultiCardは、最先端の方法と比較して、すべてのデータセットで最高の、またはほぼ最高のQエラーを達成する。
混在するマルチ属性クエリに対して、MultiCardはPostgreSQLの平均Qエラーを最大16倍削減し、推論レイテンシを5ミリ秒以下に維持する。
関連論文リスト
- Query-aware Routing for Filtered Approximate Nearest Neighbors Search [2.121524887011041]
フィルタされたANN探索は、現代のベクトルデータベースと検索拡張生成におけるコアプリミティブである。
我々は3つの述語の下で複数のデータセットにまたがる主要な分類的ANN手法の全てをベンチマークする。
軽量MLモデルは、クエリ上で各候補メソッドのリコールを予測する。
我々のルータは,5つの検証データセットのすべてに対して,最先端のリコールとQPSバランスを実現していることを示す。
論文 参考訳（メタデータ） (2026-06-18T07:54:12Z) - Learning Multi-Indicator Weights for Data Selection: A Joint Task-Model Adaptation Framework with Efficient Proxies [50.39041754816285]
本稿では、下流タスクと特定のモデルの両方にデータ選択を併用する多変数重み学習フレームワークを提案する。
提案手法は,GSM8Kのトレーニングサンプルの30%しか使用せず,フルデータセットチューニングに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2026-05-10T17:30:16Z) - UniT: Unified Multimodal Chain-of-Thought Test-time Scaling [85.590774707406]
統一モデルは単一のアーキテクチャ内でマルチモーダル理解と生成の両方を扱うことができるが、通常は出力を反復的に書き換えることなく単一のパスで操作する。
マルチモーダルなテストタイムスケーリングのためのフレームワークであるUniTを導入し、単一の統一モデルで複数のラウンドをまたいだ推論、検証、精査を可能にします。
論文 参考訳（メタデータ） (2026-02-12T18:59:49Z) - Temporal Query Network for Efficient Multivariate Time Series Forecasting [6.11517982716931]
本稿では,TQ(Temporal Query)と呼ばれる新しい手法を提案する。
TQ技術に基づいて、TQNet(Temporal Query Network)というシンプルなモデルを構築した。
実験によると、TQNetはより堅牢な多変量相関を学習し、12の挑戦的な実世界のデータセットに対して最先端の予測精度を達成する。
論文 参考訳（メタデータ） (2025-05-19T09:55:10Z) - Multi-Candidate Speculative Decoding [82.05519287513444]
大規模な言語モデルは、様々なNLPタスクで印象的な機能を示してきたが、その生成は自動回帰的に時間を要する。
これは高速なドラフトモデルから候補セグメントを生成し、ターゲットモデルによって並列に検証する。
本稿では,複数の候補をドラフトモデルから抽出し,検証のためにバッチにまとめる手法を提案する。
対象モデルの分布を維持しつつ,効率的な多候補検証のためのアルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-01-12T17:15:23Z) - APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic
Segmentation [56.387647750094466]
Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。
ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。
本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
論文 参考訳（メタデータ） (2021-11-24T04:38:37Z) - X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented
Compositional Semantic Parsing [51.81533991497547]
タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。
本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。
本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
論文 参考訳（メタデータ） (2021-06-07T16:40:05Z) - Fast cross-validation for multi-penalty ridge regression [0.0]
リッジ回帰は高次元データの単純なモデルである。
我々の主な貢献は、多孔質でサンプル重み付けされた帽子行列に対する計算的に非常に効率的な公式である。
ペアデータ型および優先データ型への拡張は、いくつかのがんゲノム生存予測問題に含まれ、図示されている。
論文 参考訳（メタデータ） (2020-05-19T09:13:43Z) - Multi-layer Optimizations for End-to-End Data Analytics [71.05611866288196]
代替アプローチを実現するフレームワークであるIFAQ(Iterative Functional Aggregate Queries)を紹介する。
IFAQは、特徴抽出クエリと学習タスクを、IFAQのドメイン固有言語で与えられた1つのプログラムとして扱う。
IFAQ の Scala 実装が mlpack,Scikit,特殊化を数桁で上回り,線形回帰木モデルや回帰木モデルを複数の関係データセット上で処理可能であることを示す。
論文 参考訳（メタデータ） (2020-01-10T16:14:44Z)
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。