論文の概要: When Is One Query per Template Enough? Adapting Learned Cost Models to New Hardware

• arxiv url: http://arxiv.org/abs/2611.05892v1
• Date: Wed, 04 Nov 2026 03:30:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.932143
• Title: When Is One Query per Template Enough? Adapting Learned Cost Models to New Hardware
• Title（参考訳）: テンプレート1つ1つのクエリはいつ必要か? 学習コストモデルに新しいハードウェアを適用する
• Abstract要約: クエリランタイムを予測する学習コストモデルは、ひとつのマシンからの測定に基づいてトレーニングされる。 我々は、新しいマシン上で測定されたkクエリからそのようなモデルを適応する方法を問う。 我々は6つの環境で1,162のTPC-HとTPC-DSクエリの同じ計画を立てた。
• 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: A learned cost model that predicts query runtimes is trained on measurements from one machine. When the database moves to other hardware, its plans stay the same but their runtimes change, each by its own factor. We ask how to adapt such a model from k queries measured on the new machine: which queries to run, how to use their runtimes, and how many are enough. On PostgreSQL we timed the same plans of 1,162 TPC-H and TPC-DS queries in six environments: a laptop and a server, each with all its processors or pinned to one, the server also pinned to two, and the laptop also with a small buffer pool. No single factor describes the slowdown between two environments: most of its variance lies between query templates, so a speed factor stops improving after a few queries. A correction that fits separate lines for serial and parallel plans and adds an offset for every measured template brings the moved model, with one measured query per template, to an error (geometric mean over templates of the median Q-error) of 1.10 on TPC-H and 1.19 on TPC-DS, close to the same correction on a model trained on the new machine; fine-tuning a DACE-style neural cost model on the same queries gains at most 2%. On templates never measured, no correction we tried is on average more than 2% better than the speed factor. We then fixed hypotheses and timed new data. On TPC-H at ten times the scale the errors follow these results, but two of five repeated tests miss. On the Join Order Benchmark, whose queries differ widely within a template, the model errs by 2.36 even when retrained on the new machine, no correction gains much, and only the test on new templates holds; boosted trees and a neural model fit these queries better, and correcting the neural model works as well as fine-tuning it. We report every test as registered.
• Abstract（参考訳）: クエリランタイムを予測する学習コストモデルは、ひとつのマシンからの測定に基づいてトレーニングされる。 データベースが他のハードウェアに移行すると、その計画は変わらないが、ランタイムは変更される。 我々は、新しいマシン上で測定されたkクエリから、そのモデルをどのように適応させるか、どのクエリを実行するか、ランタイムをどのように使うか、どれが十分であるかを尋ねる。 PostgreSQLでは、1,162のTPC-HとTPC-DSクエリを6つの環境で実行しました。 クエリテンプレート間のばらつきの大部分は、クエリ間のものであるため、スピードファクタは、数回のクエリ後に改善を停止する。 シリアルおよび並列計画の別々の行に適合し、測定されたテンプレート毎にオフセットを追加する補正は、TPC-Hの1.10とTPC-DSの1.19のエラー(中央値Qエラーのテンプレートの幾何学的平均)に移動モデルをもたらし、新しいマシンでトレーニングされたモデルと同じ修正に近づき、同じクエリでDACEスタイルの神経コストモデルを最大2%の精度で調整する。 テンプレートが計測されなかった場合、私たちが試した補正は、速度係数よりも平均2%以上良い。 その後、仮説を定め、新しいデータをタイムアウトしました。 TPC-Hの10倍のスケールで、エラーはこれらの結果に従うが、5つのうち2つが失敗する。 クエリがテンプレート内で大きく異なるJoin Order Benchmarkでは、新しいマシンで再トレーニングしてもモデルが2.36倍になり、修正があまり増加せず、新しいテンプレートのテストのみが保持される。 すべてのテストが登録されていると報告します。

関連論文リスト

• Cluster, Route, Escalate: Cascaded Framework for Cost-Aware LLM Serving [69.5155152169752]
  大規模言語モデル(LLM)のための2段階カスケードソリューションを提案する。 ステージ1は、受信するクエリをクラスタ化し、各クラスタを最もコスト効率の良いモデルに割り当てる。 ステージ2は品質推定(QE)カスケードを追加し、ステージ1からの出力が低品質であると判断されると、クエリはより強力なモデルにエスカレーションされる。 テストデータセットでは、カスケードシステムは最強モデルの精度の97-99%を保持し、TPOT(Time Per Output Token)を削減している。 タスクの正確性ラベルのみを必要とし、手動で再構成することなくモデルプールの変更に適応する。
  論文  参考訳（メタデータ） (2026-06-25T18:29:24Z)
• When Offline Selectors Cannot Beat the Best Single Model: A Diagnostic Study on edX Dropout Prediction [0.35185044688786976]
  記録されたデータから訓練されたセレクタは 常に最強の予測器を 打ち負かさない 3段階の診断は、共有バッファ上でそれらを規定する。 次のイテレーションでは、オフラインの学習者をチューニングすることなく、状態を変更したり、新しいデータを集めたりする必要がある。
  論文  参考訳（メタデータ） (2026-06-02T19:24:09Z)
• s1: Simple test-time scaling [148.4204982041058]
  テスト時間スケーリングは、パフォーマンスを改善するために余分なテスト時間計算を使用する言語モデリングに対する、有望な新しいアプローチである。 テストタイムのスケーリングと強力な推論性能を実現するための最もシンプルなアプローチを探します。
  論文  参考訳（メタデータ） (2025-01-31T18:48:08Z)
• SITA: Single Image Test-time Adaptation [48.789568233682296]
  テスト時間適応(TTA)では、あるソースデータに基づいてトレーニングされたモデルを考えると、異なるディストリビューションからテストインスタンスに対してより良い予測を行うように適応することが目標である。 我々は、TTAをSITA(Single Image Test-time Adaptation)と呼ぶより実践的な環境で考える。 ここでは、各予測を行う場合、モデルはインスタンスのバッチではなく、与えられた単一のテストインスタンスにのみアクセスすることができる。 本稿では,前進保存伝播のみを必要とするSITA設定のための新しいアプローチAugBNを提案する。
  論文  参考訳（メタデータ） (2021-12-04T15:01:35Z)

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。