神经草图：使用神经网络快速且近似评估范围聚合查询
摘要：查询范围聚合（RAQ）是许多现实世界应用程序的重要组成部分，通常需要快速和近似的查询答案。最近的研究已经研究了使用机器学习（ML）模型回答RAQ的方法，在这种方法中，学习数据模型来回答查询。然而，目前没有理论上的理解为什么和何时ML方法表现良好。此外，由于ML方法对数据进行建模，它们无法充分利用任何特定于查询的信息来提高实际性能。在本文中，我们重点研究建模“查询”而不是数据，并训练神经网络学习查询答案。这种转变的焦点使我们能够在回答RAQ时对神经网络提供一个分布和查询相关的误差界。我们通过开发NeuroSketch来验证我们的理论结果，这是一个用于实际回答RAQ的神经网络框架。对真实世界、TPC基准测试和合成数据集进行的广泛实验研究表明，NeuroSketch比最先进的方法回答RAQ快几个数量级，并且具有更好的准确性。
作者：Sepanta Zeighami, Cyrus Shahabi, Vatsal Sharan
论文ID：2211.10832
分类：Databases
分类简称：cs.DB
提交时间：2023-04-11