.png){kind=icon}
返回
Bridging machine learning and query optimization: Feedback-driven selectivity estimation for spatial filters
.png){kind=icon}
PRE
AI
DOI：10.1007/s11280-025-01371-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在查询优化中，查询谓词的选择性估计精度是选择高效执行计划的基础。空间选择性估计评估满足特定空间条件的相关对象数量，由于其多维性和复杂性，构成了重大挑战。此外，这些估计方法必须既快速又最小化内存使用。在本文中，我们利用优化器反馈来解决多维空间谓词选择性估计的难题。我们将空间选择性估计重新定义为回归问题，并研究三种机器学习（ML）模型的应用：神经网络、基于树的模型和基于实例的模型，以应对这一挑战。我们将这些ML方法与基于最小边界矩形（MBRs）的基线方法进行比较，包括基于RTree和基于直方图的估计。通过使用真实数据集的广泛实证评估，本研究根据优化器收集的数据指导ML模型的选择。
Keyword:
Selectivity Estimation
Spatial Filters
Optimizer Feedback
Machine Learning
期刊
W
IF:
3.4
论文数:
57
被引数:
2.3K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容