NeuroSketch:使用神经网络对范围聚合查询进行快速和近似评估
Sepanta Zeighami1, Cyrus Shahabi1, Vatsal Sharan1
1University of Southern California, USA.
Proceedings of the ACM on management of data
|May 21, 2024
概括
本研究引入了一种新的机器学习 (ML) 方法,用于通过模拟查询而不是数据来回答范围聚合查询 (RAQ). NeuroSketch框架提供了更快,更准确的查询结果,具有理论上的保证.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 数据库系统 数据库系统
背景情况:
- 范围聚合查询 (RAQ) 对于现实应用至关重要,通常需要快速,近似的答案.
- 现有的机器学习 (ML) 模型对RAQ缺乏理论理解,并且不利用查询特定信息.
- 目前的ML方法专注于建模数据,限制性能优化.
研究的目的:
- 开发一个理论上有基础的ML方法来回答RAQs.
- 为了改善RAQ性能,研究建模查询而不是数据.
- 引入一个实用的框架,NeuroSketch,用于高效的RAQ答复.
主要方法:
- 通过训练神经网络来直接学习查询答案,开发了一种新的ML方法.
- 专注于建模查询,使理论分析和错误限制成为可能.
- 创建了NeuroSketch框架,这是一个基于神经网络的RAQ系统.
主要成果:
- 建立了一个理论框架,为RAQ中的神经网络提供分布和查询依赖的错误极限.
- 与最先进的方法相比,NeuroSketch表现出了显著的性能改善.
- 在各种数据集上实现了多个数量级的加快速度和更高的准确性.
结论:
- 建模查询为基于ML的RAQ系统提供了一个有希望的方向.
- 在理论上,NeuroSketch为RAQs提供了合理且实际上高效的解决方案.
- 该方法推进了近似查询答案的最新技术.
