新框架利用在线学习解决动态查询选择性估计问题

研究人员开发了一个新的算法框架，用于在动态数据库和查询工作负载环境中学习查询选择性。这种受在线学习启发的方​​法通过遗憾值来衡量性能，即将学习算法的累积损失与最佳固定策略进行比较。该研究在静态和动态数据库设置下，针对标准损失函数，为基于直方图的线性查询（包括点查询、范围查询和子集选择查询）的遗憾值设定了理论上限和下限。 AI

影响 这项研究可能导致在动态环境中更高效的数据库查询处理，从而可能提高依赖于大规模数据检索的AI系统的性能。

排序理由 该集群包含一篇详细介绍新的算法框架和查询选择性估计理论边界的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

• arXiv
• fact database
• histogram-based linear queries
• Online Learning
• point queries
• range queries
• Selectivity Estimation for Linear Queries via Online Learning
• subset selection queries

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →